基于机器学习的急性感染判断,用于使用银标准标签开发诊断分类器

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床决策支持 临床决策支持

背景情况:

• 用于判断急性感染的手动图表审查是标准的,但成本高且主观.
• 准确的培训标签对于开发败血症诊断分类器至关重要.
• 现有的急性感染诊断方法具有挑战性,缺乏可重复性.

研究的目的:

• 开发和评估基于机器学习 (ML) 的系统,用于对急性感染进行自动判断.
• 创建一种可复制,可扩展和具有成本效益的方法,用于为败血症诊断分类器生成培训标签.
• 在自动判断中评估ML模型的性能和稳定性.

主要方法:

• 利用国际,多队列数据集与多临床医生判断的急性感染.
• 基于缺少数据对几个现成的ML模型进行了性能和稳定性的基准测试.
• 评估了模型校准,并确定了持续性能的最小特征集.

主要成果:

• 开发了一个基于物流回归模型的准确和精确校准的ML系统.
• 这种自动化系统能够以低成本,可复制和高度可扩展的方式对急性感染进行裁决.
• 确定了在未来研究中保持高性能所需的最小特征.

结论:

• 基于机器学习的系统自动化了资源密集型和可变的图表审查过程,以对急性感染进行裁决.
• 这种方法提高了急性感染判断的可复制性和可扩展性,用于下游诊断分类器的开发.
• 自动化图表审查使临床医生有更多的时间直接照顾患者,提高医疗保健效率.