使用机器学习与电子健康记录预测住院患者的压力损伤风险:美国多层次队列研究
William V Padula1,2,3, David G Armstrong3,4, Peter J Pronovost5,6
1Department of Pharmaceutical & Health Economics, University of Southern California Mann School of Pharmacy & Pharmaceutical Sciences, Los Angeles, CA, USA padula@usc.edu.
BMJ open
|April 9, 2024
概括
与标准护理相比,机器学习显著改善了医院获得压力损伤风险的预测. 这种预测算法可以帮助医院优化资源配置,提高患者护理质量.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 患者安全 患者安全
背景情况:
- 医院获得的压力损伤 (HAPI) 构成了重大的临床挑战和财务负担.
- 准确预测HAPI风险对于及时干预和预防至关重要.
- 目前用于HAPI风险评估的标准护理方法存在局限性.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于预测医院获得压力损伤的风险.
- 将ML模型的预测性能与标准护理进行比较.
- 确定有助于压力损伤风险预测的关键特征.
主要方法:
- 利用来自两个学术医院的35,001次住院的电子健康记录 (EHR).
- 开发了一个使用多级逻辑回归和机器学习技术 (例如随机森林) 的预测算法.
- 校准了ML模型,以预测压力损伤风险随时间的变化.
主要成果:
- 基于ML的预测算法显著改善了对压力损伤风险的预测 (p<0.001).
- 对于ML模型来说,接收器操作特征 (ROC) 曲线下的面积为0.72,而对于标准护理则为0.52.
- 在50%的特异性下,ML算法在预测压力损伤风险方面获得了75%的灵敏度.
结论:
- 机器学习为预测医院获得的压力损伤风险提供了一种卓越的方法.
- 开发的算法可以帮助医院节约资源,估计每年每家500床医院节省3万至9万个劳动小时.
- 医院可以将这种算法用于质量改进计划,并根据设施特定的患者变化进行定制.
