安娜:一个开源平台,用于实时集成机器学习分类器与兽医电子健康记录

科学领域:

• 兽医医学 兽医医学 兽医医学
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 在兽医中,将机器学习 (ML) 临床决策工具与电子健康记录 (EHR) 整合在一起面临着挑战,原因是EHR系统的刚性和有限的IT资源.
• 将ML分类器无整合到现有的兽医电子健康记录系统中,对于提高诊断准确性和患者护理至关重要.

研究的目的:

• 开发和介绍Anna,一个独立的分析平台,旨在促进ML分类器在兽医电子健康记录系统中的集成.
• 通过与EHR系统进行接口,证明Anna能够托管ML分类器,并为实验室数据提供实时预测.

主要方法:

• 安娜在Python中作为一个独立的平台开发,使其能够托管ML分类器和与EHR系统的接口.
• 该平台从电子健康记录中检索患者特定的数据,根据用户定义的时间标准合并诊断测试结果,并返回实时预测.
• 实施了三种先前发表的ML分类器,以预测狗的低 adrenocorticism,leptospirosis或 portosystemic shunt,以展示安娜的多功能性.

主要成果:

• 安娜通过与现有的EHR系统进行接口,为实验室数据提供实时分类器预测.
• 安娜的独立性降低了对现有EHR基础设施进行实质性修改的需求,简化了整合.
• 安娜成功地通过整合和部署ML分类器来诊断特定的狗病来证明其多功能性.

结论:

• 安娜是一个开源工具,为兽医界提高了ML分类器的可访问性.
• 它的灵活架构支持多种ML分类器,并且可以在没有EHR系统修改的情况下快速部署.
• 安娜有可能推动在兽医实践中更广泛地采用ML,提高诊断能力和患者的治疗结果.