机器学习与预测患者病情恶化风险的国家早期预警分数的性能:对紧急住院的单站点研究
Matthew Watson1, Stelios Boulitsakis Logothetis2, Darren Green3,4
1Department of Computer Science, Durham University, Durham, UK.
BMJ health & care informatics
|December 4, 2024
概括
机器学习模型分析免费文本急诊室分拣笔记可以显著改善重症患者的识别,优于传统方法,如国家早期预警得分 (NEWS). 这种方法提高了临床决策,并减少了错过的高风险病例.
科学领域:
- 医疗保健中的人工智能
- 临床决策支持系统 临床决策支持系统
- 紧急医疗 信息学 信息学
背景情况:
- 紧急服务部门 (ED) 面临着越来越大的运营压力,需要快速准确的患者评估.
- 电子健康记录 (EHR) 提供了广泛的患者数据,适合机器学习 (ML) 应用.
- 基于变压器的模型提供了分析复杂数据的高级功能,包括自由文本.
研究的目的:
- 调查基于变压器的ML模型在识别非计划性ED入院中严重恶化的有效性.
- 利用自由文本字段 (例如分类笔记) 和表格数据 (例如早期预警分数) 来提高患者风险分层.
- 将ML模型的性能与国家早期预警得分 (NEWS) 进行比较.
主要方法:
- 来自英国一所大学教学医院ED的大量数据集的回顾分析.
- 从EHR系统中提取全面的临床数据特征.
- 与NEWS相比,基于树和基于变压器的ML模型的系统性性能评估,用于在24小时内预测关键结果.
主要成果:
- 在174,393份录取记录中接受培训的模型在结合自由文本分类笔记时表现出卓越的表现.
- 基于变压器的模型实现了0.92的平均精度,明显优于基于树的模型 (0.75) 和NEWS (0.12).
- 自由文本数据集成证明比单独的结构化表格数据更有效.
结论:
- 使用自由文本临床数据的机器学习模型具有改善ED临床决策的巨大潜力.
- 拟议的ML技术显著减少了警报疲劳,同时有效地识别了NEWS错过的高风险患者.
- 这种方法为提高紧急护理机构的患者安全和运营效率提供了一个有希望的途径.


