自动化和可互操作的方法,用于一般化开发临床机器学习模型,用于预测重症儿童的神经病变

科学领域:

• 临床信息学 临床信息学
• 机器学习在医疗保健中的应用
• 儿科重症监护 儿科重症监护

背景情况:

• 开发准确的临床机器学习 (ML) 模型来预测重症儿童的急性神经疾病是具有挑战性的.
• 现有的方法往往缺乏标准化,可重现性和可扩展性.

研究的目的:

• 简化临床ML模型的开发,以预测儿科重症监护室 (PICU) 患者的神经疾病.
• 使用快速医疗互操作资源 (FHIR),云基础设施和自动化ML工具创建标准化,可重复和可扩展的工作流.

主要方法:

• 开发了一个工作流程,从7,403次接触中提取,清理和建模PICU数据.
• 评估了四个特征集来预测神经疾病,包括基线,完整,过和LightGBM选择集.
• 使用自动化ML工具进行模型训练,验证和部署,使用AUROC,AUPRC,F1得分,校准和SHAP值进行性能评估.

主要成果:

• 过和LightGBM选择的功能集实现了最高的预测性能 (AUROC为0.90).
• SHAP分析确定了生命体征和关键实验室值作为始终重要的特征.
• 在FHIR格式数据上训练的模型表现与建立在完整数据集上的模型 (AUROC为0.87) 相比.

结论:

• 采用FHIR和自动化ML的基于标准的云兼容的方法对于临床模型开发是可行的.
• 这种方法提高了建立和评估临床决策支持工具的可扩展性,可重复性,效率和透明度.