支持长期条件管理:用于共同开发和运行机器学习模型的工作流框架,使用电子健康记录数据洞察力

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床数据科学 临床数据科学

背景情况:

• 心血管疾病,COPD,喘和糖尿病等慢性疾病的患病率上升导致死亡率增加和医疗保健成本增加.
• 机器学习 (ML) 在慢性疾病管理中显示出早期诊断,分组和治疗选择的前景.
• 由于缺乏临床参与和超越模型开发的规划,ML研究在临床实践中的转化有限.

研究的目的:

• 通过使用常规临床数据,为ML模型的共同开发和运行提供一个多阶段的工作流框架.
• 促进从概念到临床使用的协调和协作过程.
• 解决将ML研究转化为现实临床环境的差距.

主要方法:

• 开发一种新的多阶段工作流程框架,用于ML模型的共同开发和运行.
• 利用电子健康记录中的常规临床数据.
• 基于多学科团队在开发和运营COPD风险预测模型方面的经验.

主要成果:

• 关于拟议的工作流程框架的详细概述.
• 案例研究证明了COPD两种风险预测模型的开发和运行.
• 在现实世界的临床环境中成功应用框架 (NHS Greater Glasgow & Clyde).

结论:

• 提出的框架支持有效共同开发和运行ML模型,使用电子健康记录数据.
• 这种方法提高了ML研究的转化为慢性疾病管理的实际临床工具.
• 合作,多学科的努力对于成功实施数据驱动的医疗保健解决方案至关重要.