弱监督分类：将生命体征警报识别为真实或伪影

临床生理监测警报中有很大一部分是误报。这常常导致临床人员的警报疲劳，不可避免地危及患者安全。为了解决这个问题，研究人员试图构建能够准确判断在血流动力学监测患者床旁发出的生命体征（VS）警报是真实还是伪影的机器学习（ML）模型。先前的研究利用了需要大量手工标注数据的监督式机器学习技术。然而，手动收集此类数据可能成本高昂、耗时且单调，并且是限制机器学习在医疗保健（HC）中广泛采用的关键因素。相反，我们探索使用多个单独不完美的启发式方法，通过弱监督自动为未标记的训练数据分配概率标签。我们的弱监督模型性能与传统的监督技术相比具有竞争力，并且需要更少的领域专家参与，证明了它们作为监督学习在医疗保健机器学习应用中的高效且实用的替代方案。