检查机器学习算法的使用,以提高儿科选方法

科学领域:

• 儿科急救医学 儿科急救医学
• 医疗保健中的人工智能
• 临床选系统 临床选系统

背景情况:

• 传统的儿科紧急诊断依赖于主观评估,可能导致不准确.
• 机器学习 (ML) 为医疗保健机构客观和准确的患者优先级提供了一个有希望的途径.
• 开发客观的分类工具对于优化儿科急救护理的资源分配和患者结果至关重要.

研究的目的:

• 开发和评估使用儿科急诊室记录的ML算法,以提高分拣准确度.
• 将儿科紧急情况分为三个不同的紧急级别:非紧急,紧急和紧急.
• 评估在儿科紧急情况下的ML驱动分类的有效性和结果.

主要方法:

• 一项回顾性观察队列研究,利用18237个预处理的儿科急诊病人的病历.
• 应用各种ML技术,包括回归,基于实例的,规范化,基于树的,贝叶斯的,维度缩小和集合算法.
• 使用紧急严重性指数 (ESI) 进行模型准确度比较,以确定最精确的分类模型.

主要成果:

• 整体算法在所有评估指标上都表现出卓越的性能.
• CatBoost 模型获得了高的 F-1 评分,达到 90%,表明了优异的分类准确性.
• 最重要的是,开发的ML模型显示紧急患者的错误分类为非紧急,反之亦然.

结论:

• 一个新的ML模型成功地被开发出来,通过紧急级别对儿科急诊患者进行分类.
• 这种模型显示出在儿科急诊室内提高分拣准确性和患者护理的巨大潜力.
• 实施这种ML模型可以减少过量和不足的选,从而使儿科紧急护理更加有效和有效.