机器学习模型用于区分急诊室患者呼吸障碍的原因:一项回顾性研究

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 呼吸障碍是急诊室常见的症状,原因多种多样,需要准确的诊断来有效管理患者.
• 机器学习 (ML) 是一种潜在的工具,可以增强呼吸障碍的诊断过程.
• 及时和精确的呼吸障碍诊断对于改善紧急情况下患者的治疗结果至关重要.

研究的目的:

• 评估机器学习模型在分类呼吸障碍原因方面的有效性.
• 评估ML能够预测患有呼吸障碍的患者的特定诊断的能力.
• 为了确定预测呼吸障碍病因的关键临床特征.

主要方法:

• 进行了787名急诊室呼吸障碍成年患者的回顾性分析.
• 机器学习模型,包括决策树,随机森林和增强决策树,经过训练将呼吸障碍分为心脏和呼吸道原因,并预测特定的诊断.
• 使用准确度,灵敏度和特异性指标来评估性能.

主要成果:

• 最常见的诊断是失补偿性心力衰竭 (28.4%),肺炎 (26.4%) 和COVID-19 (17%).
• 机器学习模型在使用增强树来分类呼吸障碍为心脏与呼吸系统方面取得了很高的准确性 (89.6%).
• 特定诊断的多类预测显示精度较低 (36.8%),尽管CRP,BNP和咳等关键特征被确定为预测性.

结论:

• 机器学习算法通过区分呼吸障碍的广泛病因类别,在支持急诊室分拣方面表现有前途.
• 目前的模型证明了在分类心脏与呼吸道发作喘的起源时的实用性.
• 需要对更大,更多样化的数据集和先进的建模进行进一步的研究,以提高对特定呼吸障碍诊断的敏感性.