早期预测急诊室重症监护病人的入院情况,使用机器学习
Dinesh Pandey1, Hossein Jahanabadi1, Jack D'Arcy2
1Data Analytics Research and Evaluation (DARE) Centre, The University of Melbourne and Austin Hospital, Melbourne, VIC, Australia; Clinical Analytics and Reporting, Performance Reporting and Decision Support, Austin Health, Melbourne, VIC, Australia.
概括
开发一个早期预测模型,用于重症监护室 (ICU) 从急诊室 (ED) 的入院是具有挑战性的,因为入院不频繁. 该模型识别了关键变量,但可能产生错误的阳性.
科学领域:
- 医疗信息学 医疗信息学
- 临床决策支持 临床决策支持
- 医疗保健中的机器学习
背景情况:
- 危急病患者及时从急诊室 (ED) 转移到重症监护室 (ICU) 对患者的治疗结果和医院工作流程至关重要.
- 在ED课程的早期预测ICU入院可以优化资源配置和患者管理.
研究的目的:
- 开发和验证ICU入院的预测模型,使用在急诊室访问期间早期可用的数据.
- 确定预测需要ICU入院的关键临床变量.
主要方法:
- 对484,094例成年ED病例的电子病历数据进行了回顾性分析.
- 应用自然语言处理和机器学习技术来识别ICU入院的预测因素.
- 模型培训和验证使用ED呈现数据的不同的子集.
主要成果:
- 预测模型实现了接收器操作特征曲线下的面积为0.92,表明了良好的区分能力.
- 在30分钟标记时确定的关键预测因素包括ED分拣类别,救护车到达,快速序列器官衰竭评估得分,心率和先前的住院病史.
- 该模型的性能指标 (F1分数0.177,MCC0.257) 显示了显著的类不平衡,如果使用75%的入院概率值,每天估计有2.7个自动化ICU转诊触发器.
结论:
- 由于ED患者中ICU入院的总体发病率较低,难以准确预测ICU入院的早期预测.
- 开发的模型看起来很有前途,但预计将产生适度数量的错误阳性预警,用于ICU转诊.
