住院患者每日自动预测痴呆风险:模型开发和验证
Kendrick Matthew Shaw1,2, Yu-Ping Shao3, Manohar Ghanta3,4
1Department of Anesthesia, Pain, and Critical care Medicine, Massachusetts General Hospital, Boston, MA, United States.
JMIR medical informatics
|December 25, 2024
概括
一个机器学习模型现在可以自动识别患有 Delirium 高风险的住院患者. 这种自动查有助于早期检测和有针对性的干预,以获得更好的患者结果.
科学领域:
- 医疗信息学医学信息学
- 医疗保健中的人工智能
- 临床预测模型的临床预测模型.
背景情况:
- 痴呆症是住院患者经常出现的并发症,与不良结果有关.
- 由于查资源不足, Delirium 的诊断不足是很常见的.
- 需要有效和可扩展的妄想选方法.
研究的目的:
- 开发一个自动化的机器学习算法,用于日常妄风险识别.
- 为了利用电子医疗记录数据来检测高风险患者.
- 为了减少障碍广泛的妄想查.
主要方法:
- 开发并比较了四种机器学习模型 (逻辑回归,多层感知子,随机森林,增强树木).
- 使用了23006名成年住院患者的回顾性数据集,并使用了混评估方法 (CAM) 屏幕.
- 输入特征包括人口统计,实验室值,生命体征,先前的CAM屏幕和药物.
主要成果:
- 增强树模型表现出最高的预测能力,AUROC为0.92.
- 随机森林和多层感知子模型也表现出强的性能.
- 在没有病史的患者中预测妄时,表现有所不同.
结论:
- 一个增强的树机器学习模型有效地在24小时内识别出患有妄想症高风险的住院患者.
- 这种自动化方法有助于制定有针对性的妄想预防策略.
- 能够准确地应用干预措施以减轻妄想风险.
