开源患者模型超越行业标准

病人模型
图片来源:Pixabay/CC0 Public Domain

一种新开发的开源患者恶化模型正在改善密歇根大学卫生系统的护理。

现在,一项发表在英国医学杂志研究表明,它在美国其他12家医院中心是有效的,比广泛使用的EPIC恶化指数的准确性高出21%以上。

除了的有效性,它的制作方式为未来模型的快速开发指明了道路,解决了共享敏感患者数据的挑战。

患者病情恶化模型可以帮助医生和护士做出更好的护理决策,例如,在患者病情恶化之前主动将高危患者转移到ICU。它们还可以帮助提供者识别严重并发症风险最低的患者——这些患者可能受益于早期出院或转移到较低强度的护理环境。

“通过临床医生和医生之间的密切合作,我们能够在过去建立模型所需的时间的一小部分内开发m -模型并使其他医疗系统能够在不共享任何患者数据的情况下验证该模型,”密歇根大学电气工程和计算机科学副教授、该论文的主要作者詹娜·维恩斯(Jenna Wiens)说。

Wiens解释说,在像大流行这样的情况下,快速行动至关重要,而人们对这种威胁知之甚少,快速开发有效预测模型的能力至关重要。她说,m -模型的开发始于2020年初COVID-19大流行开始时。密歇根大学医疗系统密歇根医学院需要一种更好的方法来预测COVID-19患者的结果。

预测模型使用机器学习算法来梳理大量的患者数据,通过使用过去数据中的相关性来预测未来的结果来“训练”自己。然后,原型模型将使用来自其他患者的更多数据进行验证。

该团队的第一个挑战是缺乏训练模型的数据,因为COVID-19是如此新,过去通常用于训练模型的患者数据根本不存在。因此,他们使用了大流行前患者的数据,确定了一系列类似于COVID-19的呼吸道症状,并从这些患者身上提取了5年的数据。

接下来,该团队与密歇根医学临床医生密切合作,缩短了通常长达数月的过程,将数千个数据点浓缩成几个关键预测指标。他们开发了一种混合方法,数据科学家和临床医生一起工作,清除潜在的误导性变量。这使得他们能够在短短几周内验证密歇根医学院m -的有效性。

“我们的特征选择混合方法利用了数据驱动技术和临床医生的专家知识,”该研究的共同第一作者Fahad Kamran说。两人都是密歇根大学计算机科学与工程专业的博士生。“这种类型的合作给了我们对最终模型的信心,尽管在这个过程的早期可以用于验证的数据有限。”

为了加快在其他卫生系统验证他们的模型的关键步骤,Weins的团队首创了一种方法,以避免长达数月的获取敏感患者数据的过程。相反,他们只是简单地将新开发的代码发送给其他医院的团队,这些团队在内部应用模型并报告结果。这使得Wiens的团队能够在美国十多家结构和人口统计不同的医院快速验证m -模型,有助于确保算法的准确和公平。

下一步,密歇根医学院的快速反应团队将使用m -作为一种实时工具,以识别有恶化风险的患者。

“快速反应团队是专业的临床团队,他们可以在患者出现不良结果之前迅速采取行动,对患者进行干预,”密歇根医学院肺部和重症监护医学助理教授、m -开发的临床负责人Michael Sjoding说。“我们很高兴m -模型将支持这一努力。”

也许该项目的最重要成果是能够使用为m -模型开发的策略,更快地为未来新出现的健康威胁开发预测模型。

“像m -这样的模型在改善临床护理和医疗保健环境中的资源分配方面具有巨大的前景,”麻省总医院的传染病专家、论文作者之一埃里卡·谢诺伊(Erica Shenoy)说。“它们可以在护理点为临床医生提供重要的预后信息。”

更多信息:Jenna Wiens等人,早期识别有临床恶化风险的COVID-19住院患者:模型开发和多部位外部验证研究,英国医学杂志(2022), DOI:bmj DOI: 10.1136 / - 2021 - 068576
期刊信息: 英国医学杂志

所提供的密歇根大学
引用:开源患者模型高于行业标准(2022年,2月17日),检索自2023年1月3日//www.pyrotek-europe.com/news/2022-02-open-source-patient-tops-industry-standard.html
这份文件受版权保护。除为私人学习或研究目的而进行的公平交易外,未经书面许可,不得转载任何部分。内容仅供参考之用。

进一步探索

比COVID更快:预测疾病下一步动向的计算机模型

4股票

对编辑的反馈