一个机器学习预测模型,使用电子健康记录数据识别枪支伤害风险
Hui Zhou1,2, Claudia Nau1,2, Fagen Xie1
1Department of Research and Evaluation, Kaiser Permanente Southern California, Pasadena, CA 91101, United States.
Journal of the American Medical Informatics Association : JAMIA
|September 4, 2024
概括
一个新的预测模型使用电子健康记录识别高风险的枪支伤害患者. 这种方法提高了针对医疗保健机构的有针对性的预防工作的查效率.
科学领域:
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
- 伤害预防 预防伤害
背景情况:
- 枪支伤害是严重的公共卫生危机.
- 鉴定枪支伤害风险较高的个体是具有挑战性的,因为在医疗保健接触层面上很少见.
研究的目的:
- 开发一种预测模型,用于识别有枪支伤害风险增加的成年患者.
- 为了在医疗保健机构内实现有针对性的查和预防工作.
主要方法:
- 使用了来自南加利福尼亚州凯泽永久医院 (2010-2018) 的电子健康记录.
- 包括超过170个预测因素:诊断,医疗保健利用率和社区特征.
- 采用极端梯度提升 (XGBoost) 来预测3年内枪支伤害风险.
主要成果:
- 在超过520万成年会员中,确定了3879起枪支伤害;遭遇患病率为0.01%.
- 关键预测因素包括人口统计,医疗保健利用率和社会经济因素.
- 该模型实现了0.83的灵敏度和0.56的特异性;前1%的高风险组将查负担降低了11.7倍.
结论:
- 开发的模型支持医疗保健中针对性枪支伤害风险评估.
- 可以提高查和预防工作的效率.
- 促进对高风险个体的积极干预.
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
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
