可解释的深度学习系统通过预测分离水平,住院和停留时间来识别危急患者:前性研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床决策支持系统 临床决策支持系统

背景情况:

• 紧急部门 (ED) 的分拣依赖于经验丰富的护士,导致因主观标准而导致潜在的错误分拣.
• 在EDs中错误的选可能会对患者的结果产生负面影响,并压缩医疗保健资源.
• 目前的分类系统在准确评估患者的严重程度和资源分配方面存在局限性.

研究的目的:

• 开发使用分拣信息 (人口统计,生命体征,主要投诉) 的预测系统,以加强ED患者评估.
• 创建一个能够处理异质数据 (表格和自由文本) 进行全面分析的系统.
• 确保系统提供可解释性,以提高ED工作人员的接受性和可用性.

主要方法:

• 开发了一个深度学习框架,将TabNet集成为表格数据和MacBERT (中国BERT) 集成为自由文本数据.
• 该模型在大型回顾性数据集上进行了预训练,并在具有黄金标签的前性数据集上进行了微调.
• 该系统包括三个子系统,用于预测分拣水平,住院和停留时间.

主要成果:

• 该模型在预测分组水平方面达到63%的准确性,在医院住院预测方面达到82%,在停留时间预测方面达到71%的准确性.
• 该系统在台湾国立大学医院的901名患者中进行了评估,显示出有前途的预测性能.
• 采用预训练编码器的多模式方法,为电子健康记录的特点提供了更深入的见解.

结论:

• 拟议的系统在预测三个关键医疗结果方面超过了其他机器学习方法.
• 可解释的多模式模型可以帮助医疗保健专业人员做出明智的临床决策.
• 该系统提高了ED分拣的准确性,有可能改善患者护理和资源管理.