在中国电子医疗记录中确定患有恶性瘤的术后患者的主要出血事件:算法开发和验证
Hui Li1, Haiyang Yao2, Yuxiang Gao2
1Department of Thoracic Surgery, Beijing Chao-Yang Hospital, Capital Medical University, No.8 South Road of Workers' Stadium, Chaoyang District, Beijing, 100020, China, 86 13701158350.
JMIR formative research
|May 1, 2025
概括
机器学习模型有效地使用电子医疗记录识别腹部瘤手术患者的术后出血. 逻辑回归 (LR) 和卷积神经网络 (CNN) 显示出改善诊断和研究的前景.
科学领域:
- 使用机器学习和自然语言处理进行医疗数据分析.
- 专注于临床信息学和计算医学应用.
背景情况:
- 在腹部瘤手术后的术后出血是中国的重大临床挑战.
- 手动审查出血病例的医疗记录是低效的,并且阻碍了大规模的数据分析.
- 机器学习在从医学文本中识别术后出血的有效性尚未被探索.
研究的目的:
- 开发和评估机器学习模型,用于识别重大术后出血.
- 为了利用电子病历 (EMR) 数据来自动检测出血事件.
主要方法:
- 来自瘤切除患者的2000个EMR的回顾性分析 (2018-2021年).
- 主要出血事件的手册医生分类.
- 使用270个工程特征开发和比较后勤回归 (LR),K-近邻 (KNN) 和卷积神经网络 (CNN) 模型.
主要成果:
- 在试验组中,LR模型实现了82.75%的准确度和89.47%的灵敏度.
- 在测试组中,CNN模型显示了89.00%的准确性和89.24%的特异性.
- KNN显示高特异性 (99.48%),但敏感性低 (21.05%).
结论:
- 两种LR和CNN模型都在识别EMR的主要手术后出血方面表现出很强的表现.
- LR模型提供更高的灵敏度,而CNN模型提供更高的特异性.
- 这些模型提供了基于优先结果的实际临床应用的潜力.
