通过人工智能进行创新,用于在未来的流行病中优化资源的选系统

科学领域:

• 医疗保健技术 医疗保健技术 医疗保健技术
• 传染病管理 传染病管理
• 紧急医疗 紧急医疗

背景情况:

• 人工智能 (AI) 越来越多地融入医疗保健.
• 人工智能为医院紧急服务提供了显著的潜在好处.
• 在流行病期间,迅速评估患者至关重要.

研究的目的:

• 开发和评估一种新型的人工智能训练系统,用于在流行病期间早期检测有感染风险的患者.
• 将人工智能驱动的分组的速度和准确性与紧急部门的标准化系统进行比较.
• 促进及时实施预防措施,以制疾病传播.

主要方法:

• 一个机器学习系统,特别是极端梯度增强 (XGB) 算法,用于紧急部门分类.
• 该系统自动分析了89多个变量,用于流行病期间出现的患者,以COVID-19时代为案例研究.
• 患者数据是连续收集的,因为他们呈现给急诊室.

主要成果:

• 在XGB系统实现了91.61%的高平衡准确性,在识别有风险的患者.
• 人工智能系统比传统的分拣方法快得多.
• 死亡率的关键预测因素包括前素水平,年龄,氧和,LDH,C反应蛋白,胸部X射线发现和D-二次数水平.

结论:

• 极端梯度增强 (XGB) 算法被证明是分选系统的有价值和创新的工具.
• 这种人工智能方法可以有效地指导患者在未来的流行病期间的护理途径,以COVID-19经验为例.
• 通过人工智能提前识别风险可以提高疫情应对和患者管理.