这篇文章已经根据科学X的审查编辑过程政策编辑器在保证内容可信度的同时,突出以下属性:

核查事实的

同行评议的出版物

可信的源

校对

使用机器学习方法和住院患者数据的模型更准确地预测中风

使用机器学习方法和住院患者数据的模型更准确地预测中风
数据处理管道。美国社区调查;NA:不可用;SDoH:健康的社会决定因素;SID:国家住院病人数据库。信贷:医学互联网研究杂志(2023)。DOI: 10.2196/36477

中风是最危险和最常被误诊的疾病之一。黑人和西班牙人、妇女、享受医疗保险的老年人以及农村地区的人不太可能及时得到诊断,从而使治疗有效。在一项新的研究中,研究人员使用机器学习方法和患者入院时可用的数据来开发一种模型,该模型比现有模型更准确地预测中风。

卡内基梅隆大学(CMU)、佛罗里达国际大学(FIU)和圣克拉拉大学(SCU)的研究人员进行的这项研究发表在《科学》杂志上医学互联网研究杂志

诊断错误是一个重大的公共卫生问题,由于这种错误而导致的可预防的中风死亡比心肌梗死死亡的发生率高30多倍。诊断中风很困难,因为有许多类似中风的情况,如癫痫发作、偏头痛和酒精中毒。这些困难可能会导致延误,而延误可能会加剧

一种分析现有数据并提出中风诊断建议的自动筛选工具对解决这一问题具有重要的潜力。科学家们已经转向机器学习可以从大量数据中识别隐藏的见解,并为新患者生成预测。

“机器学习方法已被用于通过解释临床记录和诊断成像结果等详细数据来帮助检测中风,”CMU海因茨学院管理科学和医疗信息学受托教授Rema Padman解释说,他是该研究的合著者。“但是,当患者最初在医院急诊科进行分类时,特别是在农村和服务不足的社区,这些信息可能并不容易获得。”

帕德曼和她的同事们试图开发一种基于患者入院时广泛可用的数据的中风预测算法。他们还评估了健康社会决定因素(SDoH)在预测中风方面的附加价值;这些因素包括人们出生、成长、生活和衰老的环境,以及这些环境的驱动因素。

他们的研究调查了2012年至2014年在佛罗里达州急性护理医院就诊的14.3万多名特殊患者。研究人员还查看了美国人口普查美国社区调查的SDoH数据。他们的模型包含了由入院时的付款人,例如基本人口统计(年龄、性别、种族、民族)、慢性病数量和主要付款人(例如医疗保险、医疗补助或私人保险)。

研究人员的模型准确(预测中风的准确率为84%)且敏感,优于现有的量表(往往会错过高达30%的中风)。该模型的使用表明,根据患者的人口统计数据和健康的社会决定因素,可以预测患者入院时中风的可能性,在获得或者实验室测试结果,作者说。

“现有模型的适度敏感性引起了人们的担忧,即它们错过了相当大比例的中风患者,”FIU商学院信息系统和商业分析副教授陈敏(音)解释说,他是这项研究的合著者。

“在医疗资源和临床人员短缺的医院,我们的算法可以补充以帮助快速对患者进行适当干预。”

“因为我们的模式不需要该研究的另一位合著者、四川大学利维商学院(Leavey School of Business)信息系统和分析学讲师谭选(Xuan Tan)表示:“在处理症状较轻和非典型的中风患者时,它可能在解决误诊挑战方面特别有用。”

“它也可以用于小容量或非中风中心的急诊科,在那里提供者每天接触中风的机会有限敏感诊断工具的可用性有限。”

在这项研究的局限性中,作者指出,由于他们的研究是回顾性的,确认中风病例依赖于国际疾病分类代码,而不涉及审查患者的记录。此外,他们警告说,他们的算法不应该被视为中风诊断的黄金标准,而是作为现有模型的补充医院使用的计分系统。最后,他们的发现受到行政数据中健康变量的社会决定因素的限制。

更多信息:陈敏等,一种利用行政数据和医院健康社会决定因素支持紧急中风分诊的机器学习方法:回顾性研究,医学互联网研究杂志(2023)。DOI: 10.2196/36477

引用:使用机器学习方法和到达医院时的患者数据的模型更准确地预测中风(2023年,4月19日),2023年4月21日从//www.pyrotek-europe.com/news/2023-04-machine-methods-patient-hospital-accurately.html检索
本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外,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

急诊科诊断准确性高:报告

5股票

给编辑的反馈