基于机器学习的可解释分类得分的医院间外部验证,用于使用通用数据模型的急诊部

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 紧急服务部门 (ED) 在优先考虑资源有限的患者方面面临挑战.
• 机器学习 (ML) 工具可以帮助紧急分拣.
• 以前的基于ML的分类工具是使用单中心数据开发的.

研究的目的:

• 开发和验证一个多中心,可解释的ML模型,用于预测急诊室患者的2天死亡率.
• 通过使用共同数据模型 (CDM) 对不同韩国医院队列的紧急风险预测分数 (SERP) 的表现进行评估.
• 为了使多中心研究能够在没有直接数据共享的情况下进行.

主要方法:

• 一项回顾性队列研究,包括来自3家韩国医院的成人急诊 (2016-2017).
• 利用一个共同的数据模型 (CDM) 进行标准化的多中心数据分析.
• 开发并验证了一种可解释的ML模型 (SERP),用于预测2天死亡率,并进行医院间验证.

主要成果:

• 这项研究包括3家医院超过225,000次紧急诊所.
• 两天死亡率在0.51%至0.65%之间.
• 医院间验证显示了高精度,AUROC值至少为0.899 (0.858-0.940).

结论:

• 一个多中心,可解释的ML模型 (SERP) 已成功开发,用于使用CDM预测ED患者的2天死亡率.
• 该模型在医院间外部验证中实现了高准确性,表明其可通用性.
• 这种方法促进了强大的多中心研究和工具开发,而不会影响数据隐私.