机器学习可以提高医院前预警分数的预测性能

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 早期预警分数 (EWS) 有助于评估患者急性危险的危险情况.
• 标准的EWS,如NEWS2和DEPT,通常会产生错误的阳性,特别是在医院前的环境中.
• 提高分组准确度对于及时和适当的患者管理至关重要.

研究的目的:

• 为医院前患者开发和验证机器学习 (ML) 预测分数.
• 将ML模型的性能与标准EWS (NEWS2,DEPT) 的性能进行比较.
• 评估ML模型对7日和30日死亡率和重症监护病房 (ICU) 入院率的影响.

主要方法:

• 开发和验证ML模型 (逻辑回归,随机森林,贝叶斯网络,梯度增强).
• 利用了来自北丹麦地区的219,323名医院前患者的大量队列 (2016年7月 - 2020年12月).
• 将ML模型与NEWS2和DEPT进行死亡率和ICU入院预测的比较.

主要成果:

• 与NEWS2和DEPT相比,ML模型显示出更高的性能.
• ML模型显著降低了虚假阳性率,使需要查的患者数量减少了近一半,为7天死亡率.
• 开发的ML模型为医院前患者的分拣提供了更高的精度.

结论:

• 基于机器学习的预测得分提高了医院前患者早期预警系统的准确性.
• 这些先进的模型有潜力减轻低和过的情况.
• 在医院前分组中实施ML可以导致更有效的资源分配和改善患者的治疗结果.