一个可互操作的机器学习管道用于儿童肥胖风险估计

科学领域:

• 儿科健康 儿科健康
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 儿童肥胖是一个越来越严重的问题,需要早期干预.
• 现有的用于肥胖预测的机器学习 (ML) 模型缺乏临床整合.
• 需要为儿童肥胖症提供可访问,临床适用的预测工具.

研究的目的:

• 开发和评估一种新的端到端管道,用于预测儿科肥胖风险.
• 用快速医疗互操作性资源 (FHIR) 促进预测模型融入临床工作流程.
• 评估模型的预测效率和利益相关者的调整.

主要方法:

• 利用来自儿科电子健康记录 (EHR) 的例行记录数据.
• 开发了一个端到端的管道,用于通过API/UI.数据提取,推断和通信.
• 采用专家策划的医疗概念列表来预测风险.
• 设计了与快速医疗互操作性资源 (FHIR) 的管道,以集成EHR.

主要成果:

• 证明了儿童肥胖预测模型的有效性.
• 展示了管道对早期风险识别 (1-3年) 的能力.
• 确认与不同利益相关方 (临床医生,IT,患者等) 的反一致. ) 的情况.

结论:

• 开发的管道为早期儿童肥胖预测提供了可行的解决方案.
• 整合FHIR有助于在临床环境中更广泛地采用.
• 该工具支持及时的预防性干预,解决关键的公共卫生需求.