AI預(yù)測(cè)ER入院的風(fēng)險(xiǎn)

根據(jù)在PLOS Medicine上發(fā)表的一項(xiàng)研究，牛津大學(xué)的研究人員能夠通過使用具有電子健康記錄(EHR)的機(jī)器學(xué)習(xí)技術(shù)來預(yù)測(cè)患者進(jìn)入急診護(hù)理的風(fēng)險(xiǎn)。

“我們的研究結(jié)果表明，其中包括有關(guān)個(gè)人信息豐富的大型數(shù)據(jù)集，機(jī)器學(xué)習(xí)模型勝過最好的常規(guī)統(tǒng)計(jì)模型之一，”首席研究員Fatemeh Rahimian，在喬治國際衛(wèi)生前數(shù)據(jù)的科學(xué)家，在說的語句。“我們認(rèn)為這是因?yàn)闄C(jī)器學(xué)習(xí)模型會(huì)自動(dòng)捕獲并從我們以前不知道的數(shù)據(jù)之間的交互中“學(xué)習(xí)”。”

在這項(xiàng)研究中，研究人員推導(dǎo)，驗(yàn)證并比較了傳統(tǒng)模型和兩種機(jī)器學(xué)習(xí)模型如何預(yù)測(cè)急診入院。為了測(cè)試模型，他們使用了1985年至2015年間英格蘭近400種醫(yī)療機(jī)構(gòu)的460萬患者的EHR數(shù)據(jù)。他們還使用了時(shí)間和各種變量，例如患者的人口統(tǒng)計(jì)學(xué)，生活方式因素，實(shí)驗(yàn)室檢查，處方藥和先前的緊急入院。

當(dāng)僅對(duì)變量測(cè)試所有模型時(shí)，常規(guī)模型在接收器工作特性曲線(AUC)下獲得0.736的面積，而兩個(gè)機(jī)器學(xué)習(xí)模型均獲得0.796和0.736的AUC。當(dāng)添加其他因素(例如時(shí)間和更多變量)時(shí)，常規(guī)模型的AUC為0.788，而機(jī)器學(xué)習(xí)模型的AUC為0.826和0.810。

盡管這些模型需要進(jìn)一步測(cè)試，但研究人員認(rèn)為機(jī)器學(xué)習(xí)可以用來幫助醫(yī)生更好地監(jiān)視患者，從而避免急診。

“使用機(jī)器學(xué)習(xí)和添加時(shí)間信息可以顯著改善用于預(yù)測(cè)緊急入院風(fēng)險(xiǎn)的判別和校準(zhǔn)。該研究總結(jié)說，模型性能在一系列預(yù)測(cè)時(shí)間范圍內(nèi)以及在外部驗(yàn)證后仍保持穩(wěn)定。“這些發(fā)現(xiàn)支持將機(jī)器學(xué)習(xí)模型整合到電子健康記錄中以為護(hù)理和服務(wù)計(jì)劃提供信息的潛力。”