"我不知道":一种不确定性感知机器学习模型,用于预测急诊室分组的患者倾向

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 临床决策支持 临床决策支持

背景情况:

• 机器学习 (ML) 模型对于预测急诊室 (ED) 选中的患者态度至关重要.
• 然而,当前的ML模型往往缺乏不确定性量化,导致可能过度自信的预测,这可能会影响临床决策.

研究的目的:

• 开发和评估ED分类的合规预测模型.
• 目标是提供不确定性意识的患者倾向预测,并将高不确定性病例的"不知道"输出纳入.

主要方法:

• 对560,486名成年ED访问进行了回顾性分析.
• 一个极端梯度增强 (XGBoost) 模型被训练,验证,然后被规范化以处理不确定性.
• 该模型的性能在56000个ED病例的样本上进行了测试.

主要成果:

• 标准的XGBoost模型实现了0.9307.7的AUC.
• 符合预测,在60%的信心值,在4.9%的病例中确定了"不知道",提高了对0.74的敏感性和对0.95.9的特异性.
• 更高的信心门 (例如,90%) 增加了"不知道"预测 (34.5%),同时提高了灵敏度 (0.88) 和特异性 (0.99),表明了信心和准确性之间的权衡.

结论:

• 将不确定性意识集成到ML模型中,可以显著提高ED分拣的可靠性.
• 这种方法为临床医生提供了更容易解释的见解,减轻了与过度自信的预测相关的风险.
• 最终,这导致在急诊室环境中提高了患者安全.