加强急性护理手术的决策:对机器学习驱动的风险预测模型的系统审查
Alex H Lee1, Megan K Chan, Devesh Narayanan
1From the Division of General Surgery, Department of Surgery (A.H.L., M.K.C.), University of British Columbia, Vancouver, British Columbia, Canada; Division of General Surgery, Department of Surgery (A.H.L., K.S., A.N., J.D.F., L.M.K., S.M.H.), and Department of Management Science and Engineering (D.N.), Stanford University, Stanford, California.
机器学习 (ML) 模型在急性护理手术 (ACS) 风险预测方面表现有前途,但需要更严格的验证和标准化. 未来的研究应该专注于临床工作流集成,以实现更安全的实施.
科学领域:
- 手术方面的创新.
- 医疗信息学医学信息学
- 在医疗保健中的数据科学.
背景情况:
- 急性护理手术 (ACS) 需要快速决策,而手术前规划有限.
- 机器学习 (ML) 提供了在ACS中改善风险预测的潜力,但其应用尚未得到充分研究.
- 在ACS中现有的ML模型在开发,验证和实施方面面临挑战.
研究的目的:
- 在ACS.中系统地审查ML驱动的风险预测模型.
- 分析这些模型的技术,预测特征和结果.
- 为未来的研究和临床实施提供建议.
主要方法:
- 对应急整体外科,外科重症监护和创伤中的ML预测模型的系统审查.
- 基于预测特征,结果,算法和性能的模型分析.
- 识别最佳表现的模型,以获得共同的结果.
主要成果:
- 大多数研究 (57.7%) 专注于创伤;模型经常使用注册数据 (76.8%).
- 常见的算法包括后勤回归和随机森林;死亡率和并发症是常见的结果.
- 机器学习模型通常表现优于传统得分,但外部验证有限,没有以患者为中心的结果.
结论:
- 在ACS中的ML模型显示出潜力,但受到方法限制和异质性的困扰.
- 有限的验证和不一致的特征/结果阻碍了系统的采用.
- 整合ML需要了解临床工作流程,以便安全有效地实施.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018