开发适合初始化学习健康系统单元使用电子医疗记录的过渡性缺血性攻击风险预测模型

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 公共卫生 公共卫生

背景情况:

• 过渡性缺血性攻击 (TIA) 显著增加了中风风险,但查率很低,特别是在发展中国家.
• 目前的TIA检测方法缺乏包容性和适用于各种医疗保健环境的实用性.

研究的目的:

• 开发一个包容性和实用的机器学习 (ML) 模型,用于暂时性缺血病 (TIA) 风险预测.
• 建立第一个支持ML的学习健康系统 (LHS) 单位,以进行例行和公平的TIA查.

主要方法:

• 标准化电子医疗记录 (EMR) 数据,以使用以数据为中心的方法构建包容性ML模型.
• 应用TIA风险因子的定量分布,用于特征工程,以创建一个实用的,减少变量ML模型.
• 启动了一个TIA ML-LHS单元,能够持续更新EMR数据,并通过外部验证.

主要成果:

• 包括ML模型 (150个变量) 实现了0.868的回忆和0.886的准确性.
• 一个实用的XGBoost模型 (20个变量) 显示了0.855回忆率和0.796准确率.
• 通过强大的外部验证,TIA ML-LHS单元实现了0.830回忆,0.726精度,0.816ROC-AUC和0.812精度.

结论:

• 开发了第一个包容性,实用的TIA XGBoost模型,并启动了第一个TIA风险预测ML-LHS单元.
• 这种20个变量模型可以在医院和资源有限的诊所进行公平的TIA查.
• 对扩大TIA查,改善早期检测和促进健康公平的重大影响,通过适用于其他疾病的新方案.