基于机器学习的预测手术患者的营养不良:一个验证试点研究
Diether Kramer1,2, Stefanie Jauk1,2, Sai Veeranki1,2
1Steiermärkische Krankenanstaltengesellschaft m.b.H. (KAGes), Graz, Austria.
Studies in health technology and informatics
|April 29, 2024
概括
使用机器学习 (ML) 进行的自动营养不良查对住院患者来说是有前途的. 这种方法可以减少工作量,并通过取代传统的手动评估来改善患者的结果.
科学领域:
- 医疗信息学 医疗信息学
- 临床营养学 临床营养学
- 机器学习应用 机器学习应用
背景情况:
- 住院患者的营养不良与严重的并发症,较差的治疗结果和延长住院时间有关.
- 目前的查依赖于需要手动评估的得分,增加了医疗保健专业人员的工作量.
研究的目的:
- 验证基于机器学习 (ML) 的方法,用于在住院患者中自动预测营养不良.
- 与传统方法相比,评估ML在识别营养不良方面的有效性.
主要方法:
- 这是一项前性研究,涉及159名外科住院患者.
- 营养学家对营养不良的评估与入院晚上基于ML的预测进行了比较.
主要成果:
- ML模型显示前性验证准确率为83.0%.
- 该模型实现了接收器操作特征曲线 (AUROC) 下的面积为0.833.
结论:
- 使用ML进行自动营养不良查是手工工具的可行替代方案.
- 这项试点研究表明,ML有可能简化医院营养不良检测.
