医院获得的压力损伤的电子医疗记录驱动机器学习预测模型:开发和外部验证
Kim-Anh-Nhi Nguyen1, Dhavalkumar Patel1, Masoud Edalati1
1Institute for Healthcare Delivery Science, Icahn School of Medicine at Mount Sinai, New York, NY 10029, USA.
Journal of clinical medicine
|February 26, 2025
概括
一个新的机器学习模型使用电子医疗记录数据准确预测医院获得的压力损伤 (HAPI). 这种先进的工具改进了现有的方法,以更好地照顾和预防患者.
科学领域:
- 生物工程是生物工程.
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
背景情况:
- 医院获得的压力损伤 (HAPI) 在美国每年影响数百万患者,增加病率和医疗保健费用.
- 现有的选工具,如布拉登尺度表现出精确的HAPI风险评估的敏感度的限制.
- 需要加强预测方法来缓解HAPI发病率.
研究的目的:
- 开发和验证用于预测HAPI风险的机器学习 (ML) 模型.
- 为了利用纵向电子病历 (EMR) 数据进行动态风险评估.
- 为跨机构应用建立一个可通用和可扩展的模型.
主要方法:
- 开发一个自动化管道用于EMR数据策划,标签和集成.
- 利用XGBoost与递归特征消除来识别35个关键临床变量.
- 在成人住院患者 (2018-2023) 中使用时间序列分析进行动态HAPI风险预测.
主要成果:
- 在内部和多中心外部验证过程中,ML模型在AUROC值0.83-0.85的过程中实现了强的性能.
- 与布拉登尺度相比,该模型表现出更高的灵敏度和F1分数.
- 业绩超过了HAPI风险的先前预测模型.
结论:
- 本研究提出了第一个外部验证的跨机构HAPI预测模型,利用纵向EMR数据和自动化管道.
- 该模型在临床环境中具有显著的可通用性,可扩展性和实时适用性.
- 这种生物工程方法提供了一种新的策略,以提高HAPI预防,患者的结果和运营效率.
