基于人工智能的医院营养不良查:验证一种新的机器学习模型

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的人工智能
• 预测建模预测建模

背景情况:

• 医院营养不良是一个重大问题,导致病率,死亡率和成本增加.
• 目前的营养不良查方法往往未得到充分利用或不有效.
• 人工智能 (AI) 为改善营养不良风险识别提供了一个潜在的解决方案.

研究的目的:

• 评估基于人工智能的营养不良查模型,用于大量多样化的住院患者群体.
• 将AI模型的性能与临床医生提供的标准营养不良查工具进行比较.

主要方法:

• 通过使用来自106,449名患者的电子病历数据开发了一个渐变增强的决策树模型.
• 一个大型语言模型 (LLM) 被纳入用于特征提取.
• 模型的表现与排放编码和营养学家记录的营养不良进行了评估.

主要成果:

• 人工智能模型在第一天实现了0.92的接收器运行曲线下的面积,在考虑最大预测风险时增加到0.95.
• 该模型显著优于由护士管理的营养不良查工具 (MST).
• 根据AI模型识别的患者与MST模型识别的患者相比,再入院和死亡风险更高.

结论:

• 这项研究验证了新型人工智能模型用于预测医院营养不良的使用.
• 这种人工智能工具在识别有风险的患者方面表现出卓越的性能.
• 这些发现支持将AI整合到营养不良管理的临床工作流程中.