一个机器学习框架,以调整医疗器械安全评估中的学习效应.
Jejo D Koola1, Karthik Ramesh2, Jialin Mao3
1Department of Medicine, University of California San Diego, San Diego, CA 92093, United States.
Journal of the American Medical Informatics Association : JAMIA
|October 29, 2024
概括
本研究引入了一种机器学习 (ML) 框架,通过检测和调整操作员学习效应来准确评估医疗设备的安全性,从而改进传统方法.
科学领域:
- 医疗器械安全 医疗器械安全
- 机器学习应用 机器学习应用
- 市场后监督 后市场监督
背景情况:
- 传统的医疗器械市场后监测方法难以考虑操作员的学习效应,导致有偏见的安全评估.
- 不线性,学习曲线和医生经验等复杂因素对现有的监控技术带来了挑战.
- 需要先进的方法来准确评估在操作员学习的情况下设备的安全性.
研究的目的:
- 开发一种机器学习 (ML) 框架,用于检测和调整医疗器械市场后监督中的操作员学习效应.
- 解决传统方法在处理非线性学习曲线和时间变化的共变量方面的局限性.
- 通过考虑操作员经验,提高医疗器械安全评估的准确性.
主要方法:
- 在模仿临床场景的合成数据集上使用渐变增强决策树ML方法.
- 采用风险调整的累积总和方法来检测学习效应并量化由于缺乏经验而导致的过度不良事件.
- 调整了操作员学习效应和患者因素在评估设备安全信号,使用来自退伍军人事务部的数据.
主要成果:
- 在93.6%的数据集中,ML框架准确地确定了学习效应,在93.4%的案例中确定了设备安全信号.
- 在94.7%的数据集中,设备概率比率的置信区间与指定的比率准确地保持一致.
- 该框架在临床相关的安全信号值方面实现了100%的特异性,超过了排除学习效应的比较模型.
结论:
- 一个量身定制的ML框架提供了优越的性能比标准的参数技术在市场后的设备评估当操作员的学习是存在的.
- 这种ML框架有效地解决了市场后监测中传统统计方法的局限性.
- 开发的框架可以通过可靠地检测和调整学习效应,显著改善医疗器械安全评估.


