相关实验视频
Updated: Jun 23, 2025
08:08
Simulator Training for Endovascular Neurosurgery
Published on: May 6, 2020
3.6K
在一个学术医院进行的神经外科再接收减少计划,利用机器学习,工作流分析和模拟
Tzu-Chun Wu1,2, Abraham Kim1,2,3, Ching-Tzu Tsai1,2
1Department of Biomedical Informatics, College of Medicine, University of Cincinnati, Cincinnati, Ohio, United States.
Applied clinical informatics
|June 19, 2024
概括
机器学习模型可以预测和减少神经外科再入院. 通过采访识别的干预措施显示了改善患者结果和大幅度经济节省的潜力.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 预测30天的住院再接收对于患者护理和资源管理至关重要.
- 现有的神经外科再入院机器学习 (ML) 模型缺乏临床实施细节.
- 这项研究解决了在神经外科再接收预测中需要实用,可实施的ML解决方案的需求.
研究的目的:
- 开发高性能ML模型 (AUROC>0.8) 以预测30天的神经外科再入院.
- 通过临床工作流分析和采访,确定可行的干预措施.
- 模拟实施这些预测模型和干预措施的临床和财务影响.
主要方法:
- 使用电子健康记录和五种ML方法:梯度提升,决策树,随机森林,脊梁逻辑回归和线性支向量机.
- 进行半结构面试,以确定在手术前,住院,出院和后续阶段的干预点.
- 应用校准剂型模型 (ABM) 来模拟再接收率和降低成本.
主要成果:
- 随机森林模型在神经外科重症监护室 (NSICU) 的入院中实现了0.89的AUROC.
- 确定了六项干预措施,针对患者护理的关键阶段.
- 模拟结果显示,再接收率大幅降低 (例如,NSICU从13.13%降至10.12%),预计节省超过130万美元.
结论:
- 成功开发并模拟了一种基于ML的方法,用于预测和减少神经外科手术中的30天再入院.
- 建议的干预措施证明了改善患者结果和减轻财务损失的可行性.
