使用机器学习自动检测传染病的诊断错误
Kelly S Peterson1,2, Alec B Chapman2,3, Wathsala Widanagamaachchi2,3
1Veterans Health Administration, Office of Analytics and Performance Integration, Washington D.C., District of Columbia, United States of America.
PLOS digital health
|June 7, 2024
概括
本研究引入了一种使用电子健康记录的自动化方法,用于检测急诊室的潜在诊断错误,旨在提高患者安全并降低死亡风险.
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:
- 诊断错误对患者的发病率和死亡率有很大影响.
- 目前用于识别诊断错误的方法是手动的,昂贵的,并且不是实时的.
- 电子健康记录 (EHR) 数据为自动错误诊断检测提供了潜力.
研究的目的:
- 开发和验证一种自动化的方法来识别急诊室 (ED) 传染病病例中的诊断分歧.
- 通过将预测的诊断与记录的诊断进行比较来衡量诊断偏差,并按死亡风险加权.
- 评估机器学习模型在大规模检测潜在误诊的有用性.
主要方法:
- 训练了两种机器学习模型,使用EHR数据的前24小时预测传染病和死亡率.
- 分析了100多个急救部门的650万次急救访问.
- 通过使用斯皮尔曼等级相关性验证了临床医生对手动图表审查的自动化方法.
主要成果:
- 传染病模型的宏观F1得分为86.7,AUROC为90.6-94.7.
- 死亡率模型实现了宏观F1得分97.6和AUROC的89.1.1.
- 在自动化度量和手动临床医生审查之间观察到正相关性 (0.231-0.358).
结论:
- 拟议的自动化方法显示了在现实世界临床环境中识别诊断错误的前景.
- 这种方法可以成为临床医生发现潜在误诊的宝贵工具.
- 未来的工作应该包括数据结构和自然语言处理,以提高准确性和可解释性.
