结合胸片与电子健康记录（EHR）数据使用机器学习诊断急性呼吸衰竭
机器学习
2022-04-21 v2 人工智能
计算机视觉与模式识别
摘要
目的：当患者出现急性呼吸衰竭时，准确识别潜在病因对确定最佳治疗至关重要。然而，在临床实践中区分常见医学诊断可能具有挑战性。机器学习模型可通过辅助这些患者的诊断评估来改进医学诊断。材料与方法：训练机器学习模型以预测急性呼吸衰竭的常见原因（肺炎、心力衰竭和/或 COPD）。使用胸部 X 光片与来自电子健康记录（EHR）的临床数据训练模型，并应用于内部与外部队列。结果：基于医师病历审查，1,618 例患者的内部队列包括 508 例（31%）肺炎、363 例（22%）心力衰竭和 137 例（8%）COPD。结合胸部 X 光片与 EHR 数据的模型优于仅基于单一模态的模型。模型性能与随机选取的医师审阅者相似或更好。对于肺炎，联合模型受试者工作特征曲线下面积（AUROC）为 0.79（0.77-0.79），影像模型 AUROC 为 0.74（0.72-0.75），EHR 模型 AUROC 为 0.74（0.70-0.76）。对于心力衰竭，联合：0.83（0.77-0.84），影像：0.80（0.71-0.81），EHR：0.79（0.75-0.82）。对于 COPD，联合：AUROC = 0.88（0.83-0.91），影像：0.83（0.77-0.89），EHR：0.80（0.76-0.84）。在外部队列中，心力衰竭性能一致，COPD 性能提升，但肺炎略有下降。结论：结合胸部 X 光片与 EHR 数据的机器学习模型可准确区分急性呼吸衰竭的常见原因。需进一步研究以确定这些模型如何在临床环境中作为医师的诊断辅助工具。
引用
@article{arxiv.2108.12530,
title = {Combining chest X-rays and electronic health record (EHR) data using machine learning to diagnose acute respiratory failure},
author = {Sarah Jabbour and David Fouhey and Ella Kazerooni and Jenna Wiens and Michael W Sjoding},
journal= {arXiv preprint arXiv:2108.12530},
year = {2022}
}