Автооценка

Методика медицинских исследований BMC, том 22, Номер статьи: 286 (2022) Цитировать эту статью

1439 Доступов

1 Цитаты

1 Альтметрика

Подробности о метриках

Модели прогнозирования риска являются полезными инструментами принятия клинических решений, которые помогают стратифицировать риски и распределять ресурсы и могут привести к улучшению медицинского обслуживания пациентов. AutoScore — это автоматический генератор клинических оценок на основе машинного обучения для бинарных результатов. Это исследование направлено на расширение структуры AutoScore, чтобы предоставить инструмент для интерпретируемого прогнозирования риска для порядковых результатов.

Структура AutoScore-Ordinal создается с использованием тех же 6 модулей исходного алгоритма AutoScore, включая ранжирование переменных, преобразование переменных, выведение оценок (из моделей пропорциональных шансов), выбор модели, точную настройку оценок и оценку модели. Чтобы проиллюстрировать эффективность AutoScore-Ordinal, метод был применен к данным электронных медицинских карт из отделения неотложной помощи Сингапурской больницы общего профиля в период с 2008 по 2017 год. Модель была обучена на 70 % данных, проверена на 10 % и протестирована на остальных. 20%.

В это исследование были включены 445 989 стационарных случаев, где распределение порядкового исхода составило 80,7% выживших без 30-дневной повторной госпитализации, 12,5% выживших при 30-дневной повторной госпитализации и 6,8% умерших в стационаре или к 30-му дню после выписки. Две точечные модели прогнозирования риска были разработаны с использованием двух наборов из 8 переменных-предикторов, определенных с помощью процедуры гибкого выбора переменных. Обе модели показали достаточно хорошие характеристики, измеренные по средней площади под кривой рабочей характеристики приемника (0,758 и 0,793) и обобщенному индексу c (0,737 и 0,760), которые были сопоставимы с альтернативными моделями.

AutoScore-Ordinal предоставляет автоматизированную и простую в использовании платформу для разработки и проверки моделей прогнозирования рисков для порядковых результатов, которая может систематически выявлять потенциальные предикторы на основе многомерных данных.

Отчеты экспертной оценки

Модели прогнозирования риска представляют собой математические уравнения, которые помогают врачам оценить вероятность исхода лечения на основе данных пациента. Такие модели включают целочисленные баллы, которые можно использовать для прогнозирования наличия заболевания (диагностические модели) или наступления конкретного результата (прогностические модели), в зависимости от клинического вопроса. Комбинация нескольких предикторов (разные веса для разных предикторов) включается в многовариантную модель для расчета оценки риска [1,2,3]. Некоторые модели прогнозирования риска использовались в рутинных клинических условиях, включая Фрамингемскую шкалу риска [4], Оттавские правила определения голеностопного сустава [5], Ноттингемский прогностический индекс [6], модель Гейла [7], Euro-SCORE [8], модифицированную модель прогнозирования риска. Оценка раннего предупреждения (MEWS) [9, 10] и упрощенная оценка физиологии острых состояний [11].

За последнее десятилетие возросло использование медицинских информационных технологий, особенно электронных медицинских карт (ЭМК), что открывает возможности для исследований больших данных. Данные ЭМК включают подробную информацию о пациенте и переменные клинических результатов, которые могут быть уникальным источником данных для разработки модели риска [12, 13]. Наличие большого количества переменных в данных EHR может стать математической проблемой при использовании традиционного регрессионного анализа для построения модели риска. Машинное обучение (МО) в качестве альтернативного подхода применяет математические алгоритмы для обработки таких больших данных, что приводит к созданию новых моделей прогнозирования рисков. Традиционные подходы к выбору переменных (такие как обратное исключение, прямой выбор, поэтапный выбор с использованием заранее заданных правил остановки) могут привести к появлению разных подмножеств переменных в контексте данных ЭМК, а клинические знания могут не всегда быть доступны в некоторых клинических областях. Для контролируемого обучения доступны мощные методы выбора функций, что является очень важным аспектом при разработке модели риска при работе с данными EHR [13, 14].