机器学习算法的跨大西洋可转移性和可复制性,用于预测心理健康危机
João Guerreiro1, Roger Garriga2,3, Toni Lozano Bagén2
1Koa Health, Barcelona, Spain. joao.leitaoguerreiro@koahealth.com.
NPJ digital medicine
|September 9, 2024
概括
机器学习模型可以在不同的医疗保健系统中预测心理健康危机. 这项研究表明,这些预测算法在英国和美国电子健康记录 (EHR) 之间成功转移和复制.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 机器学习在医学中的应用
- 临床预测建模临床预测建模
背景情况:
- 在医疗保健中广泛采用机器学习受到各种系统中传输预测算法的挑战的阻碍.
- 电子健康记录 (EHR) 包含开发预测模型的关键数据,但在各机构之间存在很大差异.
- 预测心理健康危机需要强大的算法,这些算法可以在不同的医疗保健环境中进行概括.
研究的目的:
- 探索医疗保健系统和EHR差异对预测心理健康危机的机器学习算法的影响.
- 评估在英国EHR数据上训练的机器学习模型的可转移性和可复制性,以便在美国医疗保健系统中使用.
- 评估心理健康危机预测模型的性能,提前最多28天.
主要方法:
- 训练了六个机器学习模型,使用来自英国EHR数据的特性和方法.
- 应用这些模型来预测美国医疗保健系统的2907名患者的心理健康危机 (拉什大学健康系统,2018-2020年).
- 使用接收器操作特征曲线 (AUROC) 下面的面积来评估模型性能.
主要成果:
- 最好的模型使用了美国特有的结构化和匿名的患者笔记功能,实现了0.837.8的AUROC.
- 一个最初在英国结构化数据上训练的模型,当与美国数据进行转移和调整时,实现了0.826.8的AUROC.
- 在不同医疗保健系统中预测心理健康危机方面表现出很高的表现.
结论:
- 在各种医院系统中转移和复制用于心理健康危机预测的机器学习模型是可行的.
- 医疗保健系统和电子健康记录中的差异对模型性能有可管理的影响.
- 这项研究支持在心理健康的临床实践中更广泛地实施机器学习.
