在儿科急诊室的分组中识别可避免的患者:使用预测分析的决策支持系统

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 紧急部门面临着严重的拥挤挑战.
• 正在实施针对非紧急儿科病例的快速处理系统.
• 优化患者流动对于有效的紧急护理至关重要.

研究的目的:

• 开发一个优化的决策支持系统 (DSS),用于将患者转向快速通道.
• 评估机器学习 (ML) 模型,以预测可避免的急诊室访问.
• 为了平衡预测性能,模型复杂性和可解释性.

主要方法:

• 对507,708次儿科急诊室访问 (2014-2019) 的回顾性研究.
• 训练并测试了各种ML模型,使用分拣信息来预测访问可避免性.
• 使用像曲线下的面积 (AUC) 这样的指标来比较模型性能.

主要成果:

• 41.6%的儿科紧急诊所被归类为可以避免的.
• 大多数ML模型实现了类似的预测性能 (AUC 74% - 80%),超过了简单的分拣规则.
• 一个经过修剪的决策树显示了与更复杂的模型可比的结果.

结论:

• 修剪的决策树提供了一个低复杂度,可解释和有效的解决方案,用于识别适合快速追踪系统的患者.
• 基于ML的DSS可以显著改善儿科急诊室的患者流量管理.
• 这项研究支持机器学习在应对急诊室过度拥挤方面的实际应用.