基于患者特征集预测异常处方的新型数据驱动算法
机器学习
2021-12-01 v1 计算物理
医学物理
摘要
在放疗中，适当的辐射剂量对患者安全至关重要。当前的质量保证严重依赖同行评审流程，即医师对每位患者的治疗计划（包括剂量与分次）进行同行评审。然而，该流程手动且繁琐。医师可能因时间限制与工作量大而无法识别错误。我们设计了一种利用历史数据预测异常病例的新型处方异常检测算法。此类工具可充当电子同行，辅助同行评审流程，为患者提供额外安全保障。在基础模型中，我们创建了两个相异度度量 R 与 F。R 定义新患者处方距历史处方的远近。F 表示患者特征集距具有相同 or 相似处方群体的远近。若任一度量大于特定优化截断值，则标记该处方。我们以胸部肿瘤患者（n=2356）为例，提取了七个特征。此处我们报告测试 f1 分数，在不同治疗技术组中为 75%–94%。我们还通过三位胸部专家进行的模拟同行评审独立验证结果。与人工同行评审医师相比，我们的模型具有更低的 II 类错误率。我们的模型相较传统机器学习算法具有诸多优势，尤其是不受类别不平衡影响；它还能解释标记每例的原因，并在不依赖数据学习的情况下分离处方相关与非处方相关特征。
引用
@article{arxiv.2111.15101,
title = {A novel data-driven algorithm to predict anomalous prescription based on patient's feature set},
author = {Qiongge Li and Jean Wright and Russell Hales and Ranh Voong and Todd McNutt},
journal= {arXiv preprint arXiv:2111.15101},
year = {2021}
}