机器学习用于预测住院儿童中关键事件
Sierra Strutz1, Huan Liang1, Kyle Carey2
1Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison, Madison.
JAMA network open
|May 30, 2025
概括
一个新的机器学习模型有效地预测住院儿童的关键事件,改善了所有医院单位的风险评估. 这种统一的方法提高了早期检测和患者安全,降低了死亡率和发病率风险.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 医疗信息学 医疗信息学
- 机器学习在医疗保健中的应用
背景情况:
- 住院儿童未被认可的病情恶化导致显著的死亡率和发病率.
- 目前的儿科风险分层是分散的,在医院单位 (急诊,病房,重症监护) 使用不同的工具.
研究的目的:
- 开发一个统一的机器学习模型,用于早期检测儿科患者的病情恶化.
- 能够在孩子住院期间进行持续和一致的风险评估.
主要方法:
- 在3家三级医疗学术医院对135,621例儿科住院的回顾性队列研究.
- 开发并比较基于回归的极端梯度增强机器 (XGB) 和深度学习模型.
- 用了2个医院用于模型导出和第三个用于外部验证.
主要成果:
- 与现有的病房专注模型 (0.82和0.70) 相比,XGB模型显示出更高的歧视 (C统计:0.86).
- 与病房模型 (9和11) 相比,XGB需要较少的警报 (6),灵敏度为80%.
- XGB模型的性能与单元特定模型相等或更好.
结论:
- 开发了一种全医院的机器学习模型,用于对儿童关键事件的持续风险预测.
- 该模型为儿童医院的风险评估提供了一个统一的框架.
- 这些发现支持使用单一的,可适应的模型来提高儿科患者的安全性.


