基于人工智能的分层预警框架解决了医院死亡率预测的高错误报警率

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 临床决策支持 临床决策支持

背景情况:

• 来自预测模型的警报疲劳阻碍了紧急护理的有效性,特别是对于罕见事件,如住院死亡率 (IHM).
• 紧急部门 (ED) 数据中的严重阶级失衡降低了预测模型的正预测值 (PPV),限制了它们的临床实用性.

研究的目的:

• 引入AI-TEW (人工智能驱动的分层预警),这是一个新的两阶段框架,以减轻警报疲劳并提高IHM预测中的解释性.
• 提高预测模型的积极预测值 (PPV) 和临床实用性,用于紧急部门的罕见关键结果.

主要方法:

• 开发并验证了一种机器学习模型,使用来自三家医院174,292次ED访问的数据.
• 实施了分层风险分层策略和基于知识的过层,使用大语言模型 (LLM) 和SHAP值.
• 优化决策门,以优先考虑高风险患者,并利用LLM来解释患者特定的风险因素.

主要成果:

• 第一个阶段的模型表现出强大的IHM预测区分能力 (AUROCs 0.84-0.91).
• 人工智能-TEW将PPV从9.8-18.8%提高到32.5-40.5%,同时保持高负预测值 (NPV>98%).
• 在通过可解释的AI集成进行外部验证时,观察到PPV增加了11.53%.

结论:

• AI-TEW有效地减少了警报负担,并改善了紧急护理中罕见关键事件的预测模型的PPV.
• 阶层风险分层和基于知识的过的整合提高了临床解释性,减少了虚假警报.
• AI-TEW提出了一种有前途的方法来应对阶级不平衡的挑战,并支持紧急医学的及时临床干预.