AI預測ER入院的風險

根據在PLOS Medicine上發(fā)表的一項研究，牛津大學的研究人員能夠通過使用具有電子健康記錄(EHR)的機器學習技術來預測患者進入急診護理的風險。

“我們的研究結果表明，其中包括有關個人信息豐富的大型數(shù)據集，機器學習模型勝過最好的常規(guī)統(tǒng)計模型之一，”首席研究員Fatemeh Rahimian，在喬治國際衛(wèi)生前數(shù)據的科學家，在說的語句。“我們認為這是因為機器學習模型會自動捕獲并從我們以前不知道的數(shù)據之間的交互中“學習”。”

在這項研究中，研究人員推導，驗證并比較了傳統(tǒng)模型和兩種機器學習模型如何預測急診入院。為了測試模型，他們使用了1985年至2015年間英格蘭近400種醫(yī)療機構的460萬患者的EHR數(shù)據。他們還使用了時間和各種變量，例如患者的人口統(tǒng)計學，生活方式因素，實驗室檢查，處方藥和先前的緊急入院。

當僅對變量測試所有模型時，常規(guī)模型在接收器工作特性曲線(AUC)下獲得0.736的面積，而兩個機器學習模型均獲得0.796和0.736的AUC。當添加其他因素(例如時間和更多變量)時，常規(guī)模型的AUC為0.788，而機器學習模型的AUC為0.826和0.810。

盡管這些模型需要進一步測試，但研究人員認為機器學習可以用來幫助醫(yī)生更好地監(jiān)視患者，從而避免急診。

“使用機器學習和添加時間信息可以顯著改善用于預測緊急入院風險的判別和校準。該研究總結說，模型性能在一系列預測時間范圍內以及在外部驗證后仍保持穩(wěn)定。“這些發(fā)現(xiàn)支持將機器學習模型整合到電子健康記錄中以為護理和服務計劃提供信息的潛力。”