用于医院获得性感染早期检测的机器学习模型比较分析
机器学习
2023-11-17 v1
摘要
随着越来越多针对特定感染的机器学习模型被开发并计划用于临床部署，同时运行来自不同模型的预测可能会提供重叠甚至冲突的信息。理解并行模型在部署中的一致性与行为十分重要。在本研究中，我们关注两个用于医院获得性感染（HAIs）早期检测的模型：1）感染风险指数（IRI）和 2）呼吸机相关肺炎（VAP）预测模型。IRI 模型用于预测所有 HAIs，而 VAP 模型识别有发生呼吸机相关肺炎风险的患者。这些模型可通过感染的早期检测显著改善患者预后和医院感染管理，进而实现早期干预。两个模型在感染标签定义、队列选择和预测模式上有所不同。本文中，我们对这两个模型进行比较分析，以刻画它们在预测 HAIs 时的一致性与混淆情况。本研究的发现将为未来如何部署多个并行疾病特异性模型提供重要参考。
引用
@article{arxiv.2311.09329,
title = {A Comparative Analysis of Machine Learning Models for Early Detection of Hospital-Acquired Infections},
author = {Ethan Harvey and Junzi Dong and Erina Ghosh and Ali Samadani},
journal= {arXiv preprint arXiv:2311.09329},
year = {2023}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 4 pages