神经网络模型用于预测经过外围血管干预的患者的再接收,使用电子健康记录数据和临床注册表数据
Jialin Mao1, Philip Goodney2, Samprit Banerjee1
1Population Health Sciences, Weill Cornell Medicine, New York, New York, USA.
电子健康记录 (EHR) 数据,当与神经网络模型一起使用时,可以有效地预测外围血管干预 (PVI) 后的再入院. 这些模型可以增强临床注册数据,以改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健服务研究 医疗服务研究
- 计算医学是一种计算医学.
背景情况:
- 在外周血管干预 (PVI) 后预测再入院对于改善患者的治疗结果和管理医疗保健资源至关重要.
- 传统上,临床注册表数据用于预测建模,但电子健康记录 (EHR) 数据提供了潜在的更丰富的信息来源.
研究的目的:
- 评估使用EHR数据的神经网络模型的性能,与传统注册表数据相比,用于预测PVI后的90天再接收.
- 确定EHR数据是否可以增强现有的基于注册表的预测模型.
主要方法:
- 通过使用来自血管质量倡议注册表和INSIGHT临床研究网络 (EHR) 的数据进行了观察性队列研究.
- 逻辑回归 (LR),多层次感知子 (MLP) 和反复神经网络 (RNN) 模型是使用注册表数据,EHR数据 (EHR衍生和EHR直接) 和组合数据开发的.
- 用曲线下的面积 (AUC),Spiegelhalter z得分和Brier得分来评估模型的性能.
主要成果:
- 使用EHR直接数据的MLP和RNN模型以及结合注册表和EHR直接数据的MLP和RNN模型,与仅基于注册表数据的LR模型相比,显示出更好的预测性能 (更高的AUC,更好的校准).
- 使用EHR直接数据的MLP和RNN模型的AUC分别为0.742和0.737,表现优于仅使用注册表模型.
- 结合的注册表-EHR-直接数据进一步提高了性能,MLP实现了0.756.6的AUC.
结论:
- 利用EHR数据的神经网络模型可以有效地预测PVI后的再接收,并增强传统的基于注册表的模型的性能.
- 基于EHR的预测模型有可能融入临床工作流程,提供实时洞察力.
- 限制包括电子健康记录中的潜在数据缺口,例如健康的社会决定因素,这可能会限制模型的性能.
更多相关视频
05:16Cutoff Value of Phase Angle by Bioelectrical Impedance Analysis at Admission as a Prognostic Factor in Patients with Acute Heart Failure
Published on: June 10, 2025
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Peripheral Artery Disease III: Interprofessional Care
Peripheral Artery Disease V: Postoperative Nursing Management
Peripheral Artery Disease IV: Nursing Management
Peripheral Arterial Disease II: Clinical Manifestations and Diagnostic Evaluation
