使用机器学习来识别眼科子专业护理,并通过IRIS®注册表 (视觉智能研究) 推进劳动力研究
Ju Hyun Jeon1, Ju-Yeun Lee1,2,3, Tobias Elze4
1Department of Ophthalmology, Boston Children's Hospital, Harvard Medical School, Boston, Massachusetts.
Ophthalmology science
|July 29, 2025
概括
机器学习准确地识别眼科子专家使用美国眼科学院的眼科子专家.
科学领域:
- 眼科医生 眼科 眼科
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 美国眼科学院的IRIS®注册表 (视觉智能研究) 包含了无人身份的患者数据.
- 将眼科医生分类为子专业对于劳动力研究和政策至关重要.
- 目前用于分类物种识别的方法可能不是有效的或可扩展的.
研究的目的:
- 开发和评估机器学习模型,用于识别眼科子专家.
- 用实践数据将眼科医生分为一般和小专业类别.
- 评估不同机器学习方法的性能,以对子专业进行分类.
主要方法:
- 使用了IRIS注册表 (2013-2023) 中9032名眼科医生的非身份化数据.
- 采用随机森林模型进行基于诊断,程序和处方代码的二元和多特种分类.
- 评估模型性能使用接收器操作特征曲线 (AUROC) 下面的面积,F1分数和马修斯相关系数.
主要成果:
- 机器学习模型在识别眼科子专家方面取得了很高的准确性.
- 视网膜 (AUROC: 0.981) 和眼面 (AUROC: 0.975) 的分专科显示了最高的分类准确度.
- 与仅诊断或仅处方模型相比,仅采用程序的随机森林模型显示出更高的性能 (AUROC:0.903).
结论:
- 使用IRIS注册表数据的机器学习模型可以提供近乎实时的眼科子专业护理评估.
- 通过实践模式识别子专业医生,可以了解眼科护理的发展趋势.
- 这些发现对眼科劳动力研究和政策制定有影响.
