为大型数据集开发可扩展的注释方法,通过可操作性数据增强警报,以提高信息性:混合方法方法方法

科学领域:

• 生物医学工程 生物医学工程
• 医疗信息学 医疗信息学
• 临床数据科学 临床数据科学

背景情况:

• 在重症监护室 (ICU) 的报警疲劳源于频繁的无效报警,影响患者和工作人员的安全.
• 机器学习 (ML) 模型有可能减轻警报疲劳,但需要可操作的警报数据,目前缺乏.
• 手动注释警报可操作性是耗时和资源密集的,阻碍了ML开发.

研究的目的:

• 提出一种可扩展的方法,根据其可操作性,对患者监控报警进行注释.
• 为了能够创建数据集来开发ML模型以解决报警疲劳问题.
• 为其他机构和研究人员提供可重复使用的方法.

主要方法:

• 一个跨学科的团队采用了混合方法方法,包括数据驱动,定性和经验战略.
• 一个六步的代过程涉及定义术语,建立共识,定义条件,创建映射表,开发规则集和评估.
• 决策的指导是可行性,临床相关性,数据可用性和系统特点,由文献审查和系统分析提供信息.

主要成果:

• 多学科的共识导致了基于规则的注释方法,使用患者数据将警报分类为可操作或不可操作.
• 该方法侧重于呼吸和药物干预,包括8个一般规则,图形示例和非结构化数据的映射表.
• 开发的资源和注释方法被介绍为重复使用.

结论:

• 拟议的方法允许快速,半自动,追溯标记警报可操作性.
• 这有助于生成注释数据集,这对ML在报警管理和疲劳研究中至关重要.
• 该方法和资源的普遍性支持在未来的ML项目中更广泛的应用.