机器学习算法的评估,以评估有限的IT资源在医院的压力损伤风险
Cynthia Abi Khalil1,2, Antoine Saab1,3, Jihane Rahme2,3
1Sorbonne Université, Université Sorbonne Paris Nord, INSERM, Laboratoire d'Informatique Médicale et d'Ingénierie des connaissances en e-Santé, LIMICS, F-75006 Paris, France.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究开发了一种机器学习 (ML) 模型,用于预测医院获得的压力损伤 (HAPI) 风险,其表现优于传统的布拉登尺度 (BS). 将ML整合到护理系统中可以提高患者的安全性和风险评估.
科学领域:
- 护理信息学 护理信息学
- 医疗保健中的人工智能
- 患者安全研究 患者安全研究
背景情况:
- 临床决策支持系统 (CDSS) 自动化护理过程,改善决策.
- 电子医疗记录 (EMR) 数据集成提高了CDSS对风险评估的有效性.
- 布拉登尺度 (BS) 广泛用于医院获得的压力损伤 (HAPI) 风险,但其特异性有限.
研究的目的:
- 开发和评估机器学习 (ML) 模型,使用EMR数据预测HAPI风险.
- 将ML模型的性能与布拉登尺度 (BS) 的性能进行比较.
主要方法:
- 使用易于获得的EMR数据开发和评估各种ML算法.
- 使用诸如曲线下的面积 (AUC) 和F1分数等指标进行绩效评估.
- 将ML模型性能与已建立的布拉登尺度 (BS) 进行比较.
主要成果:
- 与布拉登尺度 (BS) 相比,ML模型在预测HAPI风险方面表现优越.
- 聚合ML模型实现了0.85/0.8的AUC/F1得分,明显超过了0.63.8的BS AUC.
- 各种ML算法显示了对HAPI风险的增强预测能力.
结论:
- 机器学习模型为HAPI风险预测提供了比传统的布拉登尺度 (BS) 更准确和有效的方法.
- 将ML整合到护理过程临床决策支持系统 (NP-CDSS) 中可以提高护理评估和患者安全.
- 这种方法即使对于具有有限IT资源的医院来说也是有价值的,它促进了自动化风险分析.
更多相关视频
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
8.2K
14:08Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
42.5K