用机器学习和临床笔记预测糖尿病患者的ICU住院时间

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床数据科学 临床数据科学

背景情况:

• 糖尿病是一种慢性疾病,与医疗保健利用率和成本的增加有关.
• 准确预测重症监护室 (ICU) 停留时间 (LOS) 对于有效的医院资源分配和患者管理至关重要.
• 糖尿病患者经常经历复杂的健康问题,需要在重症监护机构精确的LOS估计.

研究的目的:

• 开发和评估机器学习模型,用于预测糖尿病患者在ICU停留时间 (LOS).
• 将非结构化的临床笔记与结构化的电子健康记录数据相结合,以提高预测准确度.
• 为了比较不同机器学习方法对回归 (预测日) 和分类 (短 vs 长停留) 的性能.

主要方法:

• 利用接受ICU治疗的糖尿病患者数据集,结合结构化数据 (人口统计,诊断,实验室结果,ICU事件) 和非结构化的临床笔记.
• 采用自然语言处理技术,包括Doc2Vec文字嵌入和TF-IDF文本编码,从临床笔记中提取特征.
• 开发和比较机器学习模型,包括神经网络和物流回归,用于预测ICU LOS.
• 使用R平方,平均绝对误差 (MAE) 和精度等指标评估模型性能.

主要成果:

• 结合Doc2Vec文字嵌入的神经网络模型在预测短 ICU 停留时间方面取得了最佳表现 (R2 = 0.3626,MAE = 1.54 天).
• 使用TF-IDF文本编码的后勤回归证明了在将ICU停留时间分为长 (≥10天) 或短 (<10天) 的情况下的优异性能,达到0.875.5的准确性.
• 将非结构化临床笔记与结构化数据相结合,显著提高了开发模型的预测能力.

结论:

• 使用机器学习将结构化临床数据与临床笔记中的非结构化信息结合起来,为糖尿病患者的ICU LOS的早期和准确预测提供了一种强大的方法.
• 这些预测模型可以支持临床决策,促进积极的患者管理,并优化医院资源配置.
• 对先进的NLP和机器学习技术的进一步研究有望改进ICU LOS预测并改善重症监护机构患者的治疗结果.