一个ML管道的现实世界部署,用于压力伤口预测

科学领域:

• 医学技术 医学技术 医学技术
• 医疗保健中的人工智能
• 患者安全 患者安全

背景情况:

• 医院获得的压力损伤 (HAPI) 是影响患者结果和增加医疗保健成本的普遍并发症.
• 作为标准风险评估工具的布拉登尺度表现出一些局限性,例如高错误阳性率和潜在低估微妙的HAPI指标.
• 目前用于HAPI风险评估的方法可能会给护理人员带来额外的工作负担.

研究的目的:

• 开发和评估一个完全自动化的人工智能 (AI) 临床决策支持系统 (CDSS),用于预测医院获得的压力损伤 (HAPI).
• 克服与传统HAPI风险评估工具 (如布拉登尺度) 相关的局限性.
• 在临床环境中提高HAPI风险识别的准确性和效率.

主要方法:

• 部署一个完全自动化的AI驱动的临床决策支持系统 (CDSS).
• 用于人工智能模型的培训和验证,利用了回顾性数据.
• 使用接收器运行特征曲线 (AUROC) 下面面积指标的性能评估.

主要成果:

• 基于人工智能的CDSS在回顾性数据上实现了接收器操作特征曲线 (AUROC) 下的面积为0.90.
• 与传统的评估方法相比,在识别HAPI风险方面表现优越.
• 表明了提高HAPI风险预测准确度的潜力.

结论:

• 一个完全自动化的AI CDSS在评估HAPI风险方面是有效的,在回顾性数据上实现了高性能.
• 人工智能驱动的解决方案为HAPI风险评估的传统方法提供了一个有希望的替代方案.
• 开发的AI CDSS有可能通过提前和更准确地识别HAPI风险来提高患者安全并优化医疗保健资源分配.