病房临床恶化的治疗建议:机器学习模型的开发和验证
Eric Pulick1, Kyle A Carey2, Tonela Qyli3
1Department of Industrial and Systems Engineering, University of Wisconsin-Madison, Madison, WI, United States.
机器学习模型可以预测对病情恶化的患者进行干预的需要. 这些工具与早期预警分数相结合,可提供及时,可操作的治疗建议,以改善患者的护理.
科学领域:
- 临床信息学是一种临床信息学.
- 医疗保健中的人工智能
- 对患者进行监测.
背景情况:
- 一般病房患者的临床恶化导致发病率和死亡率增加.
- 早期干预对于改善高风险患者的治疗结果至关重要.
- 机器学习 (ML) 在识别恶化风险方面表现有前途,但在指导治疗建议方面表现不佳.
研究的目的:
- 建立ML性能基准,用于预测10种常见的临床恶化干预措施.
- 将各种ML模型进行比较,以确定这些预测任务的最佳方法.
主要方法:
- 利用了2480名普通病房患者与临床恶化接触的多中心数据集,通过早期预警得分确定.
- 雇员手册图表审查以标记与黄金标准救命治疗数据的遭遇.
- 训练并验证多个ML模型 (弹性净物流回归,梯度增强机器,长短期记忆,堆叠组合) 来预测干预需求,使用AUROC作为主要指标.
主要成果:
- 模型性能因任务和方法而异,AUROC通常从0.7到0.9.
- 抗节律障碍药物是最可预测的干预措施 (平均AUROC 0.866),而抗凝剂是最少的 (平均AUROC 0.660).
- 梯度增强机器通常单独表现最好,堆叠组合匹配或超过单个模型的性能.
结论:
- 机器学习模型在预测病情恶化的患者的救命治疗方面表现出可变但一般很高的性能.
- 这些模型可以与早期预警分数相结合,为临床医生提供及时,可行的治疗建议.
- 很大一部分被评估的患者没有及时接受治疗,这表明ML有机会减少治疗延迟.
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
相关概念视频
Dysrhythmias VII: Nursing Management of Dysrhythmias
Heart Failure V: Medical Management
Heart Failure VII: Nursing Interventions
Heart Failure VI: Adjunct Therapies
Heart Failure IV: Classification and Diagnostic Evaluation
