面向患者监护和警报的异常检测
机器学习
2026-05-12 v1
摘要
我们开发并评估了一种基于电子健康记录(EHRs)中存储的过去病例，用于检测不寻常(异常)患者管理决策的数据驱动方法。我们的假设是，与过去病人护理相比不寻常的患者管理决策可能是由于错误引起的，如果遇到此类决策则值得生成警报。我们使用来自4486例术后心脏手术患者的EHR数据以及222个警报的子集，对该假设进行评估。评估基于专家小组的意见。研究结果支持我们的假设，基于异常值的警报可实现有前景的真实警报率。我们观察到对于各种患者管理措施，真实警报率范围为25%至66%，其中66%对应最强的异常值。
引用
@article{arxiv.2605.08955,
title = {Outlier detection for patient monitoring and alerting},
author = {Miloš Hauskrecht and Iyad Batal and Michal Valko and Shyam Visweswaran and Gregory F. Cooper and Gilles Clermont},
journal= {arXiv preprint arXiv:2605.08955},
year = {2026}
}
备注
Published at JBI 2013