人工智能使用EMR數(shù)據(jù)預(yù)測癡呆

小編發(fā)現(xiàn)不少朋友對于 人工智能使用EMR數(shù)據(jù)預(yù)測癡呆 這方面的信息都比較感興趣，小編就針對 人工智能使用EMR數(shù)據(jù)預(yù)測癡呆 整理了一些相關(guān)方面的信息 在這里分享給大家。

根據(jù)發(fā)表在醫(yī)學(xué)人工智能中的一項(xiàng)新研究，可以使用電子病歷(EMR)數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型來預(yù)測諸如癡呆之類的慢性疾病。

大約570萬人患有老年癡呆癥，這是癡呆癥最常見的形式，預(yù)計到2050年，在每年治療這種癡呆癥的費(fèi)用為1萬億美元。作者指出，預(yù)測哪些患者可能晚年患有癡呆癥幫助您比以前更早地篩查個體，甚至延遲疾病的發(fā)作。

在考慮了包括支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)在內(nèi)的眾多機(jī)器學(xué)習(xí)技術(shù)后，作者選擇了隨機(jī)森林(RF)分類器。SVM不如RF那樣可解釋，而ANN的準(zhǔn)確性較低。

印第安納大學(xué)-普渡大學(xué)印第安納波利斯分校工程技術(shù)學(xué)院的主要作者Zina Ben Miled博士及其同事寫道：“這一選擇是受到來自文獻(xiàn)和我們自己的初步調(diào)查的幾個因素所激發(fā)的。” “即，RF是可解釋的，計算效率高的，并且可以處理嘈雜，連續(xù)和分類特征的高維空間。”

作者探索了與印第安納州15個不同機(jī)構(gòu)中2,000多例癡呆癥相關(guān)的EMR數(shù)據(jù)。為了進(jìn)行研究的對照，研究小組使用了來自印第安納州25個不同機(jī)構(gòu)的11,000多例癡呆癥病例的相關(guān)數(shù)據(jù)。病例和對照的種族和性別“相似”，減少了兩組之間的偏見。

該團(tuán)隊從EMR的“處方(Rx)”，“診斷(Dx)”和“醫(yī)療記錄(Nx)”部分中提取了某些功能。還確定了相關(guān)的ICD-9和ICD-10代碼。為Rx數(shù)據(jù)集，Dx數(shù)據(jù)集和Nx數(shù)據(jù)集開發(fā)了使用癡呆發(fā)作之前一年和三年的EMR數(shù)據(jù)的單獨(dú)模型。還為合并的“ RDNx”數(shù)據(jù)集開發(fā)了這兩個模型，將三個數(shù)據(jù)集合并為一個。

總體而言，癡呆癥發(fā)作前一年的模型具有更高的準(zhǔn)確性，敏感性和特異性。使用Nx數(shù)據(jù)集開發(fā)的模型具有最高的準(zhǔn)確性，敏感性和特異性。

同樣，合并的RDNx數(shù)據(jù)集具有更高的準(zhǔn)確性。

作者寫道：“這表明，盡管事實(shí)上Nx模型具有更高的預(yù)測準(zhǔn)確性，但Rx和Dx的某些功能(例如抗高血脂藥)對組合模型的整體準(zhǔn)確性做出了重大貢獻(xiàn)。”

研究小組還觀察到，年齡“始終是病例和對照的所有模型的主要特征之一”，而種族和性別并不是任何模型的主要特征。因此，根據(jù)這些模型，種族和性別“不太可能是