通过使用多模式,多类机器学习模型,在多个身体区域进行创伤伤害严重程度的自动分层
Jifan Gao1, Guanhua Chen1, Ann P O'Rourke2
1Department of Biostatistics and Medical Informatics, University of Wisconsin-Madison, Madison, WI 53726, United States.
概括
机器学习模型使用临床文本和电子健康记录 (EHR) 准确地分层创伤伤害严重程度. 基于CUI的模型提供了高精度,特别是在腿部,胸部和头部受伤方面,复杂性降低.
科学领域:
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
- 创伤护理研究 创伤护理研究
背景情况:
- 创伤伤害严重程度分层对于优质护理至关重要,但依赖于耗时的手册注释.
- 开发自动化方法对于提高创伤护理效率和准确性至关重要.
研究的目的:
- 开发和评估用于分层创伤伤害严重程度的机器学习模型.
- 用临床文本和结构化电子健康记录 (EHR) 数据来开发模型.
- 在机器学习模型中比较不同的文本表示方法.
主要方法:
- 使用临床文档和结构化EHR变量创建了两个机器学习模型.
- 模型1融合了概念独特标识符 (CUI) 与结构化EHR数据;模型2集成了自由文本与结构化EHR数据.
- 进行了时间验证和变量重要性分析,以确定模型的可概括性和可解释性.
主要成果:
- 这两种模型在腿部损伤分层方面都取得了高准确度 (宏F1>0.8).
- 在胸部和头部受伤方面观察到相当高的准确性 (宏观F1>0.7).
- 变量重要性分析证实了所确定的特征的临床相关性.
结论:
- 基于CUI的模型表现出与自由文本模型相比具有更少复杂性的可比或更高的性能.
- 整合结构化EHR数据提高了模型性能,特别是当文本数据信息不足时.
- 开发的多模式,多类模型准确地分层创伤伤害严重程度,并提供临床相关的解释.
