在分拣中使用机器学习和自然语言处理来预测急诊室的临床处置

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 临床信息学 临床信息学

背景情况:

• 准确的患者分组对于有效的资源分配和减少住院时间至关重要.
• 提供者之间的分离主观性可能导致患者处置不足 (过量或不足分离).
• 这项研究旨在开发和验证机器学习 (ML) 模型,以使用自然语言处理 (NLP) 预测患者的倾向.

研究的目的:

• 开发和评估结合NLP的ML模型,用于预测急诊室 (ED) 中的患者处置情况.
• 将这些ML模型的性能与急诊医生 (EP) 的判断进行比较.
• 评估整合结构化和非结构化临床数据对预测准确性的影响.

主要方法:

• 从2018年1月到2019年12月的ED数据的回顾性分析 (CMUH和AUH).
• 包括20岁及以上的非创伤患者.
• 在结构化数据和NLP处理的非结构化自由文本笔记上训练ML模型 (包括随机森林,梯度提升).
• 使用初级 (ED死亡/ICU入院) 和二次 (病房入院/转移) 结果进行评估,以EP的预测为参考.

主要成果:

• 所有开发的ML模型在F1分数方面都超过了EP和基于分拣级的后勤回归模型.
• 随机森林模型展示了强大的校准和预测性能,主要/次要结果的Brier分数为0.072/0.089 (内部) 和0.076/0.095 (外部).
• 纳入NLP处理的非结构化数据显著提高了ML模型的性能.

结论:

• 经过验证的ML模型整合了结构化和非结构化分拣数据,可以准确地预测患者的处置.
• 这些模型有效地区分普通病房的入院和危急情况 (ICU入院,ED死亡).
• 这两种数据类型的整合显著提高了预测模型的性能,为临床决策支持提供了有价值的工具.