使用机器学习方法识别低敏度急诊室访问:低敏度访问算法 (LAVA)
Angela T Chen1,2,3, Richard S Kuzma4, Ari B Friedman1,3,4
1Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.
Health services research
|March 30, 2024
概括
与传统的国际疾病分类 (ICD) 代码相比,机器学习模型显著提高了低敏度急诊室 (ED) 访问的识别能力. 这些先进的算法在各种患者人口统计学中提供了更好的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 紧急医疗分析 紧急医疗分析
背景情况:
- 使用国际疾病分类 (ICD) 代码的传统基于规则的算法在准确识别低敏度急诊室 (ED) 访问时存在局限性.
- 提高低敏度ED访问识别的精度对于资源分配和患者流量管理至关重要.
研究的目的:
- 为了提高识别低敏度ED访问的算法的性能.
- 使用额外的临床和人口统计数据,将机器学习模型与现有的ICD代码基础算法进行比较.
主要方法:
- 利用了2016-2020年国家医院门诊医学调查 (NHAMCS) 的二次数据.
- 使用7个已发布的ICD-10代码算法建立了基线性能.
- 经过训练和验证的后勤回归,随机森林和XGBoost模型在人口和临床共变量上.
- 使用正预测值 (PPV) 评估模型性能,并根据年龄,性别和种族/种族进行分组分析.
主要成果:
- 现有的基于规则的算法实现了0.35.3的最大PPV.
- 所有机器学习模型都超过了现有的算法.
- 性能最好的模型 (逻辑回归和XGBoost与所有变量) 的PPV为0.64,提高了83%.
- 模型显示,在各个人口分组中,PPV更高.
结论:
- 机器学习模型在预测低敏度急救诊所的ICD代码基础算法方面大大超越了它们.
- 这些发现强调了ML提高ED访问分类的潜力.
- 需要进一步的研究,以确保模型的公平性和适用性在各种人群中.


