一个基于机器学习的指南,用于在儿科急诊室重复实验室测试
Adi Shuchami1, Teddy Lazebnik1,2, Shai Ashkenazi3
1Department of Mathematics, Ariel University, Ariel 4070000, Israel.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
一个新的决策树模型有助于医生减少在儿科急诊室不必要的重复血液检测. 这种方法可以提高患者的舒适度和医疗保健效率,而不会影响诊断准确度.
科学领域:
- 儿科急救医学 儿科急救医学
- 临床决策支持系统 临床决策支持系统
- 实验室医学 实验室医学
背景情况:
- 在社区测试后不久,在儿科急诊室 (PED) 有时会重复实验室测试.
- 不必要的重复测试会给孩子带来不适,并增加医疗保健成本.
- 在不影响诊断质量的情况下,尽量减少冗余测试至关重要.
研究的目的:
- 开发一个决策树 (DT) 模型,以尽量减少PED中不必要的重复血液测试.
- 为医生提供一个可解释的工具来指导重复测试决策.
- 优化医疗保健资源在儿科紧急护理中的利用.
主要方法:
- 使用最小决策树 (MDT) 算法进行模型开发.
- 包括3个月至18岁的儿童,他们之前曾经接受过社区CBC,ELE和CRP测试.
- 在12小时内评估重复测试,通过正常到异常的过渡或≥20%的值变化来定义证明.
主要成果:
- DT模型在预测重复CBC和ELE测试的必要性方面表现出很高的准确性.
- 该模型的性能超过了后勤回归模型的性能.
- 在预测重复C反应蛋白 (CRP) 测试时,DT模型的准确性较低.
结论:
- 一个数据驱动的DT模型为临床医生提供了一个实用和可解释的指南.
- 该模型有助于减少PED中不必要的重复实验室测试.
- 实施可以提高患者护理和优化资源配置.


