机器学习模型用于检测 triage 的急诊室患者的阿片类药物滥用
Chirag Chhablani1, Usman Shahid2, Natalie Parde2
1Department of Emergency Medicine, University of Illinois Chicago, Chicago, IL, United States of America; AI.Health4All Center, University of Illinois Chicago College of Medicine, Chicago, IL, United States of America.
机器学习模型可以在急诊室分拣期间识别阿片类药物滥用患者,为手动查提供可行的替代方案. 这种方法使得早期干预和减少风险人群的伤害成为可能.
科学领域:
- 紧急医疗 紧急医疗
- 数据科学是数据科学.
- 公共卫生 公共卫生
背景情况:
- 紧急部门 (ED) 接触对于启动阿片类药物滥用治疗至关重要,但很少有患者接受这些治疗.
- 手动查资源密集,限制了其广泛用于识别阿片类药物滥用患者的使用.
- 机器学习 (ML) 为有效的患者识别提供了一个潜在的解决方案.
研究的目的:
- 评估使用机器学习 (ML) 在ED分类时识别阿片类药物滥用患者的可行性.
- 将ML模型性能与用于检测阿片类药物滥用的传统诊断代码进行比较.
主要方法:
- 对1123次ED遭遇进行了一项回顾性队列研究.
- 机器学习模型经过训练并使用分拣数据进行测试,包括人口统计,敏度和并发症.
- 模型性能使用F1评分,AUPRC,精度,回忆和AUROC进行了评估.
主要成果:
- 机器学习分类器的性能与阿片类药物相关的诊断代码具有可比性.
- 随机森林和梯度提升模型显示高F1得分 (0.75-0.77) 和AUPRC (0.88-0.89).
- 通过可解释性分析确定的关键预测因素包括先前的药物使用诊断,分类敏度和年龄.
结论:
- 使用常规分拣数据的ML模型为识别阿片类药物滥用提供了一种可行和可扩展的方法.
- 这种方法可以在医生评估之前实现早期降低危害的干预措施.
- 建议进一步进行前性的多站点验证和偏差评估.
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
Opioid Analgesics: Synthetic and Semisynthetic Opioids
Opioid Analgesics: Morphine and Other Natural Cogeners
Drug Abuse and Addiction: Pharmacological Phenomena
Analgesia and Pain Management
Opioid Receptors: Overview
