使用神经网络模型和自然语言处理在最初呈现时发烧的患者中早期识别疑似严重感染:急诊室的开发和外部验证研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 紧急医疗 紧急医疗

背景情况:

• 在无发烧的急诊室 (ED) 患者中识别严重感染是具有挑战性的.
• 早期检测对于有效治疗和改善患者结果至关重要.

研究的目的:

• 开发和验证人工神经网络 (ANN) 模型,用于在无发烧的ED患者中识别疑似严重感染.
• 评估临床笔记自然语言处理 (NLP) 对模型性能的贡献.

主要方法:

• 对在呈现时无发烧的成年ED患者进行了回顾性研究.
• 使用人口统计,生命体征,实验室结果和NLP从医生笔记中提取的信息开发四个ANN模型.
• 使用来自不同医院的数据进行内部和外部验证,并根据接收器操作特征曲线 (AUC) 下的区域评估性能.

主要成果:

• 结合NLP和实验室数据的模型实现了最高的歧视,AUC为0.911 (内部验证) 和0.913 (外部验证).
• 使用医生笔记的模型可以在急救诊所访问的早期实施 (平均28分钟从分拣) 与需要实验室结果 (平均68分钟) 的模型相比.
• 外部验证证实了在不同医院环境中强大的性能.

结论:

• ANN模型,特别是那些从医生笔记中整合NLP的模型,对于在无发烧ED患者中识别疑似严重感染是有效的.
• NLP提高了诊断能力,允许更早地识别关键条件.
• 这些模型为改善急诊室患者护理提供了宝贵的工具.