一种在不同医院开发临床风险预测应用的可扩展方法
机器学习
2021-04-15 v2 人工智能
摘要
目的：机器学习算法现已广泛用于临床应用的急性事件预测。虽然此类预测应用大多针对某一家医院特定急性事件的风险进行开发，但将已开发方案扩展到其他事件或其他医院的努力甚少。我们提供了一种可扩展方案，以扩展多种疾病临床风险预测模型的开发流程及其在不同电子健康记录(Electronic Health Records, EHR)系统中的部署。材料与方法：我们定义了临床风险预测模型开发的通用流程，并创建了一个校准工具以自动化模型生成过程。我们在四家医院应用了模型校准流程，并分别在各医院生成了谵妄、脓毒症和急性肾损伤(acute kidney injury, AKI)的风险预测模型。结果：在四家医院的测试数据集上，谵妄风险预测模型在住院不同阶段的受试者工作特征曲线下面积(area under the receiver-operating characteristic curve, AUROC)为0.82至0.95；脓毒症模型AUROC为0.88至0.95，AKI模型AUROC为0.85至0.92。讨论：本文所讨论的可扩展性基于在不同医院存储的EHR之间构建通用数据表示（语法互操作性）。语义互操作性——一个更苛刻的要求，即不同EHR共享相同的数据含义（例如相同的实验室编码系统）——在我们的方法中并非必需。结论：我们的研究描述了一种以可扩展方式开发和部署临床风险预测模型的方法，并通过在四家医院为三种疾病开发风险预测模型证明了其可行性。
引用
@article{arxiv.2101.10268,
title = {A scalable approach for developing clinical risk prediction applications in different hospitals},
author = {Hong Sun and Kristof Depraetere and Laurent Meesseman and Jos De Roo and Martijn Vanbiervliet and Jos De Baerdemaeker and Herman Muys and Vera von Dossow and Nikolai Hulde and Ralph Szymanowsky},
journal= {arXiv preprint arXiv:2101.10268},
year = {2021}
}
备注
Preprint of Journal of Biomedical Informatics