通过机器学习推进急诊室选预测,以优化腹痛手术患者的选
Chen Chai1, Shu-Zhen Peng2, Rui Zhang3
1Emergency Center, Hubei Clinical Research Center for Emergency and Resuscitation, Zhongnan Hospital of Wuhan University, Wuhan, China.
Surgical innovation
|August 16, 2024
概括
机器学习模型准确地预测了急性腹痛患者的紧急腹部手术需求. 这些先进的算法改善了分拣决策,确保关键患者得到及时的护理.
科学领域:
- 紧急医疗 紧急医疗
- 数据科学数据科学数据科学
- 手术分类是指手术分类.
背景情况:
- 急诊室 (ED) 针对急性腹痛 (AAP) 的分拣在识别需要紧急手术的患者方面面临挑战.
- 当前系统中的主观性和局限性阻碍了对关键外科病例的准确区分.
研究的目的:
- 开发和比较机器学习 (ML) 模型与传统的后勤回归 (LR) 模型,用于预测AAP患者的紧急手术需求.
- 为了提高ED triage对腹痛的准确性和效率.
主要方法:
- 利用了来自38,214名AAP患者 (2014年3月至2022年3月) 的常规可用的分组数据 (结构化和非结构化).
- 开发了五个ML模型 (轻GBM,XGBoost,DNN,随机森林) 并将它们与后勤回归 (LR) 进行了比较.
- 使用接收器操作特征曲线 (AUC) 下的面积,净收益 (决策曲线分析) 和混矩阵评估模型性能.
主要成果:
- 这四种ML模型在预测手术结果方面都超过了LR参考模型 (例如,Light GBM AUC:0.899与LR AUC:0.885).
- 在各种值中,XGBoost和Light GBM模型显示出比LR模型更高的净收益.
- 轻GBM在预测紧急腹部手术的需要方面表现出卓越的灵敏度,特异性和准确性.
结论:
- 机器学习模型在预测紧急腹部手术方面明显优于传统的后勤回归.
- 将ML纳入临床分组可以改善AAP患者的决策.
- 通过增强分组优先考虑重症患者,确保及时和有效的治疗.
