机器学习模型与预测恶化的国家预警分数系统相比:阿拉伯联合长国的回顾性队列研究
Hazem Lashen1, Terrence Lee St John2, Y Zaki Almallah2
1Engineering Division, New York University Abu Dhabi, Abu Dhabi, United Arab Emirates.
JMIR AI
|June 14, 2024
概括
与阿联的传统早期预警分数相比,机器学习模型显著提高了对患者病情恶化的预测. 对于更好的临床决策和患者的治疗结果,建议采用特定队列模型.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的人工智能
- 患者监测 患者监测
背景情况:
- 早期预警分数系统,如国家早期预警分数 (NEWS),通过识别高风险患者来帮助临床决策.
- 关于这些评分在阿拉伯联合长国 (UAE) 患者群体中的可靠性的证据有限.
研究的目的:
- 开发和验证一个基于数据的模型,用于预测阿联住院患者队列中的住院患者恶化.
- 将机器学习模型的性能与已建立的NEWS系统进行比较.
主要方法:
- 一项回顾性队列研究,利用阿布扎比一家大型医院 (2015年4月至2021年8月) 的现实数据集.
- 数据包括16,901名独特患者和常规生命体征测量.
- 机器学习模型 (逻辑回归,梯度增强,神经网络) 被开发并使用接收器操作特征曲线 (AUROC) 下的区域对 NEWS 系统进行评估.
主要成果:
- 新闻系统的AUROC达到0.682.
- 梯度增强和神经网络模型表现出卓越的性能,AUROC值分别为0.778和0.756.
- 温度和呼吸速率被确定为恶化的关键预测指标.
结论:
- 机器学习模型为预测患者病情恶化提供了比传统早期预警得分更准确的替代方案.
- 强烈建议开发和实施队列特定的机器学习模型,特别是对于外部患者群体.
- 这种方法可以增强临床决策和改善患者在不同的医疗保健环境的结果.


