机器学习用于基于患者的实时质量控制 (PBRTQC),在临床实验室中分析和预分析错误检测

科学领域:

• 实验室医学 实验室医学
• 人工智能的人工智能是人工智能.
• 机器学习 机器学习

背景情况:

• 医疗保健正在迅速推进机器学习 (ML) 和人工智能 (AI).
• 基于患者的实时质量控制 (PBRTQC) 的ML集成为实验室错误检测提供了潜在的改进.
• 传统的PBRTQC算法可以通过ML应用程序来增强.

研究的目的:

• 审查已发表的关于ML的研究,以检测实验室错误.
• 评估ML模型的性能与人类验证器和传统的PBRTQC相比.
• 讨论ML在实验室质量控制中的优势,局限性和未来.

主要方法:

• 用ML用于临床实验室错误检测的研究的叙述性综述.
• 将ML模型性能与人类验证和传统的PBRTQC算法进行比较.
• 分析ML应用程序,以识别偏差,污染和延迟等特定错误.

主要成果:

• ML模型在检测系统,非系统和组合实验室错误方面表现出有效性.
• 研究表明,ML可以识别诸如偏差,污染 (IV液体,EDTA),延迟分析和错误的输血错误等问题.
• ML的性能与传统方法和人类监督相当或优于传统方法.

结论:

• 机器学习为提高实验室医学中的错误检测提供了一个强大的工具.
• 标准化,伦理和监管方面的考虑对于 ML 的广泛采用至关重要.
• 未来的ML发展有望进一步提高实验室质量和患者安全.