使用人工智能部署在电子健康记录数据上的机器学习方法,用于识别和转诊风险患者,从初级保健医生到眼科专家:回顾性,病例控制研究
Joshua A Young1, Chin-Wen Chang2, Charles W Scales3
1Department of Ophthalmology, New York University School of Medicine, New York, NY, United States.
JMIR AI
|June 14, 2024
概括
机器学习模型现在可以帮助初级保健医生识别需要眼科医生转诊的患者. 这种人工智能驱动的方法可以改善早期检测严重的眼病,从而潜在地节省视力并降低医疗保健成本.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 初级保健医生 (PCP) 在将面临眼科疾病风险的患者转诊时面临挑战.
- 未经诊断或未经治疗的眼病影响了大约190万美国人,导致视力丧失.
- 虽然人工智能在眼科中使用,但它在对PCP患者进行分组以获得转诊的应用是新的.
研究的目的:
- 开发和比较机器学习 (ML) 方法,用于分组需要眼科转诊的患者.
- 创建适用于初级保健电子健康记录 (EHR) 的ML模型.
主要方法:
- 使用了743,039名患有5种主要视力疾病的患者的未识别的EHR数据集,与对照组匹配.
- 在5个ML模型中输入了142-182个非眼科参数:通用线性模型,L1规范后勤回归,随机森林,极端梯度增强 (XGBoost) 和J48决策树.
- 用曲线下的面积 (AUC) 对每个条件进行模型性能比较.
主要成果:
- XGBoost在各种眼科疾病中表现出最高的性能.
- 达到高AUC,例如,为1型非增殖性糖尿病视网膜病变 (NPDR) 的0.924和视觉显著的白内障的0.878.
- 模型成功地识别了患有眼病病症概率比率较高的患者,平均OR为3.9.
结论:
- ML模型可以有效地从PCP EHR数据中对患者进行眼部病理的分类.
- 实施可以使PCP能够更好地识别有风险的患者,从而促进早期治疗.
- 早期发现和治疗危及视力的疾病可以改善患者的治疗结果,并减少经济负担.
