基于急诊室严重疾病风险的患者分层通过协作机器学习模型
Jui-Ying Chen1, Chih-Chia Hsieh1, Jung-Ting Lee2
1Department of Emergency Medicine, National Cheng Kung University Hospital, College of Medicine, National Cheng Kung University, Tainan, Taiwan.
一个新的机器学习 (ML) 模型通过提供严重疾病的风险评分,提高患者分层和护理来改善急诊室 (ED) 选. 这种协作模式的表现优于人类的判断力,从而提高了患者的安全性.
科学领域:
- 医疗保健中的人工智能
- 机器学习用于选系统.
- 临床决策支持 临床决策支持
背景情况:
- 紧急诊所 (ED) 过度拥挤是一个全球性问题,影响了对重症患者的及时护理.
- 传统的5级分拣系统可能会忽略微妙的症状,导致分拣不足和治疗延迟.
- 现有的方法往往侧重于竞争,而不是在患者评估中的合作.
研究的目的:
- 开发一种协作机器学习 (ML) 模型,用于预测ED患者的严重疾病风险.
- 协助分组工作人员对患者进行分层,以便更及时和更关键的护理.
- 为了比较一个协作式ML模型的性能与单纯的机器模型和人类选.
主要方法:
- 这是一项回顾性研究,使用了668,602次ED访问 (2015年1月至2022年10月) 在高等教学医院的数据.
- 人工神经网络 (ANN) 模型的开发:使用台湾分辨率和敏度度量 (TTAS) 评分的机器-人类协作模型 (ANN-MH) 和仅用于机器的模型 (ANN-MO).
- 模型性能使用接收器操作特征 (AUROC) 和精度回忆曲线 (AUPRC) 下的面积,灵敏度,特异性,PPV,NPV和F1分数进行评估.
主要成果:
- ANN-MH模型的测试AUROC为0.918和AUPRC为0.369;ANN-MO模型的测试AUROC分别为0.909和0.339.
- 两种ML模型都超过了人类分拣分类的准确性.
- 亚组分析表明,这些模型能够在相同的分组级别内识别高风险患者.
结论:
- 开发的ML模型,特别是协作ANN-MH,提供了比传统分类更好的风险分层.
- 这些模型可以帮助缓解过度拥挤的ED中危急患者的低选情况.
- 实施这些人工智能驱动的工具有助于提高患者的安全性和更有效的重症监护分配.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 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
Steps in Outbreak Investigation
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
