基于手动精选的与自动提取的电子健康记录数据的重症监护死亡率预测模型的比较性能
A R Jagesar1, M Otten1, T A Dam1
1Department of Intensive Care Medicine, Center for Critical Care Computational Intelligence (C4I), Amsterdam Medical Data Science (AMDS), Amsterdam Cardiovascular Science (ACS), Amsterdam Institute for Infection and Immunity (AII), Amsterdam Public Health (APH), Amsterdam UMC, Vrije Universiteit, Amsterdam, the Netherlands; Quantitative Data Analytics Group, Department of Computer Science, Faculty of Science, Vrije Universiteit, Amsterdam, the Netherlands.
使用自动提取的电子健康记录数据的重症监护室 (ICU) 死亡预测模型的性能与需要手动输入数据的模型相似. 这表明诊断和并发症可能不是准确预测的必要条件.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 监督和反的重症监护病房 (ICU) 的基准评估通常依赖于实际与预测死亡率的比较.
- 传统的死亡率预测模型需要大量的手动数据输入和从电子健康记录 (EHR) 中进行策划.
- 自动提取的EHR数据是一个有希望的替代方案,但比较性能数据有限.
研究的目的:
- 为了比较ICU在医院死亡率预测模型的性能,使用手动策划的数据与自动提取的EHR数据构建的模型.
- 评估可变提取方法,分类技术,重新校准和数据收集窗口对模型性能的影响.
主要方法:
- 使用阿姆斯特丹UMCdb ICU数据库开发和评估了13个在医院死亡率预测模型.
- 使用典型的手工策划数据 (APACHE IV) 构建了一个基线模型.
- 系统地开发出新的模型,其中包括自动变量提取的程度,分类方法,重新校准和数据收集窗口大小等.
主要成果:
- 一个只使用自动提取变量的XGBoost模型实现了0.89的曲线下面积 (AUC) 和0.10的Brier分数.
- 添加更多的变量或扩展数据收集窗口只在模型区分和校准方面取得了微不足道的改进.
- 性能最好的自动化模型不需要急性或慢性诊断.
结论:
- 使用自动提取的EHR数据的住院死亡率预测模型的性能与基于手动策划的数据的模型相美.
- 关键变量通常需要手动治疗,如入院诊断和并发症,可能不必用于准确的ICU死亡率预测.
- 这些发现需要通过多中心研究进行验证.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Methods of Documentation VII: EMR
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Comparing the Survival Analysis of Two or More Groups
