利用机器学习与临床自然语言处理改进急诊科 ESI 急迫度分诊
计算机与社会
2022-04-20 v2 机器学习
机器学习
摘要
有效的分诊对于通过准确判定患者急迫度、资源需求并建立基于急迫度的患者优先排序来减轻就诊量增长的影响至关重要。本回顾性研究旨在确定能否提取历史电子健康记录(EHR)数据,并将其与临床自然语言处理(C-NLP)及最新机器学习算法(KATE)相综合,以生成高精度的 ESI 预测模型。我们使用来自两家参与医院的 166,175 次患者就诊记录开发了用于分诊过程的机器学习模型(KATE)。随后该模型在一组金标准上测试,该金标准源自研究地点分诊就诊的随机样本,由研究临床医生以急诊严重度指数(ESI)标准为指导记录正确的急迫度赋值。在两处研究地点,KATE 准确预测 ESI 急迫度赋值的时间占比为 75.9%,而护士为 59.8%、研究临床医生个人平均为 75.3%。KATE 准确率比护士平均准确率高出 26.9%(p 值 < 0.0001)。在 ESI 2 与 ESI 3 急迫度赋值这一关乎失代偿风险的边界上,KATE 以 80% 的准确率高出分诊护士 93.2%(护士准确率 41.4%)(p 值 < 0.0001)。KATE 提供的分诊急迫度赋值比本研究样本中的分诊护士明显更准确。KATE 独立运作于情境因素之外,不受可能导致分诊不足的外界压力影响,并可能缓解会对分诊赋值准确性产生负面影响的种族与社会偏见。未来研究应聚焦于 KATE 向分诊护士实时反馈的影响、KATE 对死亡率与发病率的影响、急诊科 throughput、资源优化及护理结局。
引用
@article{arxiv.2004.05184,
title = {Improving Emergency Department ESI Acuity Assignment Using Machine Learning and Clinical Natural Language Processing},
author = {Oleksandr Ivanov and Lisa Wolf and Deena Brecher and Kevin Masek and Erica Lewis and Stephen Liu and Robert B Dunne and Kevin Klauer and Kyla Montgomery and Yurii Andrieiev and Moss McLaughlin and Christian Reilly},
journal= {arXiv preprint arXiv:2004.05184},
year = {2022}
}
备注
18 pages, 6 tables, 12 supplemental tables