临床医生在循环查和度:预测有效的EHR审查的注释收益率.

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临床数据分析 临床数据分析

背景情况:

• 电子健康记录 (EHR) 的手动图表审查是耗时且昂贵的,这对回顾性研究构成了挑战,特别是在罕见疾病方面.
• 自动化自然语言处理 (NLP) 工具提高了效率,但需要更新的数据来准确地预测性能.
• 需要模型来预测图表审查期间剩余的数据产量,以优化资源配置.

研究的目的:

• 开发和验证基于回归的"选和"模型,以预测EHR图表审查中的剩余数据产量.
• 评估模型在各种分数门中识别真实积极的表现.
• 为了使数据驱动的临床工作流程的人员决策.

主要方法:

• 训练了四个预测模型 (线性,多项式,支持向量回归和神经网络) 在2013年儿童病情的EHR数据上.
• 使用2020年EHR数据验证的模型通用性和性能.
• 评估了特定得分门以下确定的真实阳性病例的比例.

主要成果:

• 多项式回归模型在时间数据转移中展示了强大的概括性和解释性.
• 20%的收益率值通过审查仅14.6%的记录 (1,118/7,636) 确定了78.1%的真实阳性.
• 这种方法使手册注释减少了85.4%,节省了6,518个注释.

结论:

• 拟议的选和模型提供了一个可扩展和模型无关的框架,用于优化图表审查流程.
• 它有效地将人工智能分数转化为临床工作流程中的可操作的人员决策.
• 该模型可适应各种医疗领域,需要高效的图表审查,并与临床医生循环工具集成.