悉尼对人工智能 (START-AI) 的入院风险工具进行分类:使用整体机器学习预测急诊室的住院患者入院风险
Michael Dinh1,2, Elizabeth Corbett1,2, Eliot Salmon1,2
1RPA Green Light Institute, Sydney Local Health District, Sydney, New South Wales, Australia.
Emergency medicine Australasia : EMA
|March 9, 2026
概括
人工智能 (AI) 增强了悉尼分类到入院风险工具 (START) 的功能,用于预测急诊室 (ED) 患者的处置. 新的START-AI模型显示了高准确性,改善了ED的患者流量和资源配置.
科学领域:
- 紧急医疗 紧急医疗
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 悉尼分拣入院风险工具 (START) 有助于预测急诊室 (ED) 的患者处置情况.
- 提高ED患者倾向预测的准确性对于优化患者流量和资源配置至关重要.
研究的目的:
- 使用人工智能 (AI) 扩展START工具,以提高急诊室 (ED) 患者处置的预测.
- 开发一个整体机器学习模型,整合多种数据源,以提高配置准确性.
主要方法:
- 采用了一种序列组合建模方法,将原始START工具与生命体征,血液结果和CT成像订单相结合.
- 梯度增强决策树 (XGBoost) 和预训练过的临床自由文本变压器模型被用来预测患者的情绪.
- 分析了六个月内在市内第三级转诊医院的成年人ED表现的数据.
主要成果:
- 最终的整体模型 (meta-XGBoost) 在测试数据集上实现了0.88的接收器操作曲线 (AUROC) 下面积和0.84的加权精度.
- 该模型表现出良好的校准,R平方值为0.92.
- 一个敏感性分析,重新分类短期住院,产生了0.89的AUROC,表明强大的预测性能.
结论:
- 一个整体机器学习模型有效地使用结构化和非结构化数据预测患者从ED处的情绪.
- 开发的START-AI模型显示了准确的患者情绪预测的前景.
- 进一步的原型开发和前性评估是必要的,以评估START-AI的临床实用性.
