利用管理患者数据中的时间模式来预测紧急住院的风险
Benjamin Post1, Roman Klapaukh2, Stephen J Brett3
1Department of Bioengineering, Imperial College London, London, UK; Department of Computing, Imperial College London, London, UK; UKRI Centre in AI for Healthcare, Imperial College London, London, UK.
使用电子健康记录 (EHR) 数据的新型机器学习模型可以预测紧急住院. 这些模型识别了时间活动模式,为风险预测提供了比复杂的临床数据更简单的替代方案.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 预测分析 (Predictive Analytics) 是一种分析方法.
背景情况:
- 意外入院会对患者的治疗结果产生负面影响,并给全球的医疗保健系统带来压力.
- 现有的紧急住院预测模型通常需要广泛的诊断,生理和实验室数据.
- 本研究探讨使用初级保健电子健康记录 (EHR) 的时间模式来预测紧急入院.
研究的目的:
- 从EHR数据中捕获和评估时间患者活动模式,以预测紧急住院住院.
- 将这些时间模式的有效性与传统的数据密集型预测方法进行比较.
- 为临床预测模型开发一种新的,节的方法.
主要方法:
- 使用威尔士1.37万名患者 (2016-2018) EHR时间数据进行的回顾性观察研究.
- 用高斯混合模型来识别不同的时间活动集群.
- 开发和验证四种预测模型 (逻辑回归,天真贝叶斯,XGBoost,MLP),包括时间集群和管理变量.
主要成果:
- 确定了六个可解释的时间初级保健 EHR 活动模式,与不同紧急入院风险相关.
- 在区域队列中,表现最好的模型 (MLP) 在区域队列中获得了0.82的AUROC和0.94的精度.
- 这个模型的性能与使用33个临床参数的复杂模型相匹配.
结论:
- 一个新的机器学习管道有效地从EHR数据中提取可解释的时间模式,用于预测紧急医院入院.
- 这一框架有助于快速开发节的临床预测模型.
- 与传统模型相比,这种方法提供了一种潜在的更有效的风险分层方法.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
相关概念视频
Introduction To Survival Analysis
The primary goal of survival analysis is to estimate survival time—the time...
Methods of Documentation VII: EMR
Steps in Outbreak Investigation
Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac...
Actuarial Approach
Consider the example of a high-risk surgical procedure with significant early-stage mortality. A two-year clinical study is conducted,...
Purpose of Health Records II
