相关实验视频
紧急部门的深度学习可持续性:可解释的预测重访
Wang-Chuan Juang1,2,3, Zheng-Xun Cai4, Chia-Mei Chen4
1Quality Management Center, Kaohsiung Veterans General Hospital, Kaohsiung 813114, Taiwan.
Healthcare (Basel, Switzerland)
|February 27, 2026
概括
这项研究开发了一种可解释的CNN模型,用电子健康记录来预测急诊室 (ED) 再访风险. 该系统有助于临床医生识别高风险患者进行有针对性的出院计划,减轻ED过度拥挤.
科学领域:
- 临床信息学 临床信息学
- 人工智能在医学中的应用
- 医疗保健服务研究 医疗服务研究
背景情况:
- 紧急诊所 (ED) 过度拥挤是影响患者护理质量的重要问题.
- 无计划的回访 (URV) 加剧了ED过度拥挤,需要患者出院的预测工具.
- 识别患有URV高风险的患者对于有效的资源配置和患者管理至关重要.
研究的目的:
- 开发和评估一种多式联网深度学习模型,用于预测非计划的重复访问急诊室的风险.
- 整合结构化和非结构化电子健康记录 (EHR) 数据,以提高预测准确度.
- 评估预测模型在现实环境中的临床实用性和可解释性.
主要方法:
- 来自高雄退伍军人总医院 (2018-2022) 的184,653个电子健康记录的回顾性分析.
- 开发一个多模式的卷积神经网络 (CNN),集成结构化 (生命,实验室,药物,并发症) 和非结构化 (医生笔记) 数据.
- 生理学测量是二元化的,并使用随机低采样来解决类不平衡;模型评估采用了8: 2的火车测试分割和10倍的蒙特卡洛交叉验证.
主要成果:
- 在CNN模型中,灵敏度为0.717,准确度为0.846,AUROC为0.853.
- 生理数据的二进制转换改善了模型回忆和AUROC.
- SHAP分析表明,非结构化医生笔记是主要预测因素,结构化数据提供了补充价值;试点评估显示,医生认知工作量减少.
结论:
- 一个可解释的基于CNN的临床决策支持系统有效地预测ED重访风险,使用多式联络电子健康记录数据.
- 该系统展示了实际的可用性,帮助临床医生识别高风险患者,以制定有针对性的出院计划.
- 这种方法提供了一种可行的策略,通过启用积极的患者管理来缓解ED过度拥挤.
