機器學(xué)習模型可以用來(lái)幫助改善急診室(ER)的分流方法的預測能力后一個(gè)JAMA研究表明該技術(shù)是在制作比傳統方法的臨床預測更好。

這些發(fā)現可能有助于改善用于分診的臨床預測方法，并改善急診室的資源分配。

“由于兩個(gè)因素之間的折衷，緊急部門(mén)的分類(lèi)系統努力在分類(lèi)不足和分類(lèi)過(guò)度之間尋求適當的平衡。在當前的研究中，機器學(xué)習方法顯示出比傳統方法更高的預測重癥監護效果的敏感性，”麻省總醫院研究員Tadahiro Goto醫師等。寫(xiě)道。

由于訪(fǎng)問(wèn)急診室的病人數量和敏銳度不斷提高，準確區分和區分患者的優(yōu)先次序的能力變得越來(lái)越重要。根據這項研究，當前的分診系統已經(jīng)人滿(mǎn)為患，并且在區分重癥兒童時(shí)表現欠佳。

為了解決該問(wèn)題并提供更高質(zhì)量的及時(shí)護理，研究人員建議必須對分診系統進(jìn)行優(yōu)化，以避免重癥兒童的入院率降低，同時(shí)也減少急診室的入院率。

卡迪夫大學(xué)的研究人員最近使用AI方法來(lái)開(kāi)發(fā)臨床預測模型，以使心血管疾病患者的預后更加準確和可靠。

在該研究中，研究人員使用了2007年至2015年兒童來(lái)訪(fǎng)的52,037 ER數據集。百分之七十的數據用于訓練和開(kāi)發(fā)四種機器學(xué)習模型，以預測兩種臨床結果的可能性：重癥監護和住院。

重癥監護結果定義為直接進(jìn)入重癥監護病房(ICU)或住院死亡。住院結局定義為住院病人入院或直接轉入急診醫院。這項研究表明，與傳統方法相比，機器學(xué)習模型在預測臨床結果方面更好。

在預測臨床護理結果時(shí)，傳統模型的判別能力最低，而所有四個(gè)機器學(xué)習模型的判別能力都很高。在預測住院結局時(shí)，傳統模型的判別能力再次最低，而機器學(xué)習模型的判別能力則“明顯更高”。

Goto等人說(shuō)：“最近的研究報道，機器學(xué)習方法改善了對兒童顱腦外傷，無(wú)計劃轉移至ICU，敗血癥ED患者的院內死亡率以及哮喘或慢性阻塞性肺疾病患者住院的預測。”等 寫(xiě)道。“本研究以這些先前的報告為基礎，并通過(guò)展示現代機器學(xué)習方法預測兒童大量ED訪(fǎng)視的臨床結果和配置的卓越能力來(lái)擴展它們。”

盡管還需要進(jìn)行額外的驗證，研究人員說(shuō)這些發(fā)現“為應用先進(jìn)的預測方法提供了機會(huì )，以支持臨床醫生的[ED]分診決策，從而可以實(shí)現更準確的臨床護理和最佳的資源分配。”