使用机器学习预测急性病房患者是否生理上适合出院:一个概念验证
S H Garssen1, C A Vernooij2, N Kant3
1Health Technology and Services Research, Techmed Centre, Faculty of Behavioural, Management and Social Sciences, University of Twente, Drienerlolaan 5, 7522 NB Enschede, The Netherlands; Clinical Research Center, Rijnstate Hospital, Wagnerlaan 55, 6815 AD Arnhem, The Netherlands; Department of Patient Care and Monitoring, Philips Research, High Tech Campus 34, 5656 AE Eindhoven, The Netherlands.
International journal of medical informatics
|August 21, 2024
概括
机器学习可以利用医院数据预测急症病房患者出院准备情况. 这种方法有可能更早地预测出院,改善医院患者流动.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床决策支持系统 临床决策支持系统
背景情况:
- 患者从急症病房出院的延迟扰乱了医院的病人流动.
- 目前的出院决定取决于生理状况,但医生之间存在差异.
- 使用生理数据的客观决策支持系统可以最大限度地减少放电延迟.
研究的目的:
- 用机器学习和医院数据评估预测患者出院健康状况的可行性.
- 为了确定在实际放出之前,如何预测早期放出健康状况.
- 评估各种患者数据特征的预测重要性.
主要方法:
- 对急性病房199名患者电子病历的回顾性分析.
- 逻辑回归和随机森林模型的应用,用于每小时排放适应性预测.
- 利用嵌套的5倍交叉验证用于模型优化和性能估计.
主要成果:
- 生理性放电适应性是可预测的,具有合理的性能 (逻辑回归AUROC:0.67,随机森林AUROC:0.69).
- 模型对正确识别的患者在实际出院前24小时内预测出院健康状况.
- 患者的特征,生命体征和实验室结果是重要的预测因素.
结论:
- 使用机器学习预测急性医疗病房患者出院的健康状况是可行的.
- 一般可用的医院数据足以开发这样的预测模型.
- 这项概念验证研究强调了通过数据驱动的出院规划来提高医院效率的潜力.
