机器学习模型的开发和验证,用于准确检测住院患者的输管错误中的错误血液

科学领域:

• 临床化学 临床化学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 输入管中的错误血液 (WBIT) 错误是一个重要的患者安全问题.
• 目前对WBIT错误的检测方法可能不足.
• 常规实验室参数为WBIT错误检测提供了一个潜在的数据源.

研究的目的:

• 开发和验证用于检测WBIT错误的机器学习模型.
• 用常规可用的生化和血液学参数来检测WBIT.
• 评估模型在不同患者队列中的表现.

主要方法:

• 追溯性多中心研究,包括内部和外部验证队列.
• 使用选定的常规实验室参数及其规范化变量的XGBoost模型的开发.
• 使用弹性网精细化特征选择;与Mahalanobis和delta检查方法对模型性能进行基准测试.

主要成果:

• 机器学习模型实现了高分辨能力,ROC-AUC值为0.98-0.99和PR-AUC值为0.93-0.99.
• 再校准改善了正的预测值,减少了假阳性,保持了高灵敏度 (≥90%) 和特异性 (98-99%).
• 该模型的性能优于已建立的多变量和单变量方法用于WBIT错误检测.

结论:

• 一个机器学习模型有效地使用常规实验室数据检测WBIT错误.
• 该模型显示了将其集成到临床工作流程中的强大潜力.
• 该模型的实施可以通过改善WBIT错误检测来提高患者的安全性.