机器学习方法用于识别急性护理环境中的儿科分离器功能障碍和分离器GPT的发展

科学领域:

• 神经外科 神经外科
• 人工智能的人工智能
• 儿科急救医学 儿科急救医学

背景情况:

• 在急性护理中预测分流器失效是很困难的.
• 传统的统计方法在急诊室 (ED) 设置中存在局限性.
• 机器学习 (ML) 提供了针对分流故障的增强预测能力.

研究的目的:

• 探索机器学习和人工智能,用于预测儿科急救诊所诊断时的变送检查必要性.
• 将各种ML模型的性能与传统分析进行比较.
• 评估专有大型语言模型ShuntGPT (SGPT) 的有效性.

主要方法:

• 对1167次儿科神经外科咨询 (2017-2022) 的回顾性分析.
• 收集了24个历史,临床和放射学变量.
• 应用的ML技术:支持矢量机,K-最近邻居,随机森林,人工神经网络 (ANN) 和SGPT.

主要成果:

• 24.4%的患者需要进行分流修复.
• 确定了关键预测因素:心室大小增加,异常的分流序列,昏迷,精神状态变化,胸.
• ANN (AUC 0.88) 和SGPT (AUC 0.927) 的表现最高.
• 即使没有成像数据,SGPT也保持了高精度 (AUC 0.84).

结论:

• 先进的机器学习模型,特别是SGPT,在预测冲刺修改方面优于传统方法.
• SGPT解释细微文本的能力有助于其卓越的性能.
• 机器学习模型显示了改善儿科急性护理的决策的承诺.