Gratis tekstforudsigelsesalgoritme for blindtarmsbetændelse

Udvikling af maskinlæringsmodeller, der har en stærk forudsigelsesevne til diagnosticering af blindtarmsbetændelse fra læge indtastet fritekstinput kan forbedre lægernes diagnostiske nøjagtighed. Det giver også mulighed for at bruge forudsigelsesalgoritmer til at forbedre rutinemæssig klinisk pleje. I fremtiden kan flere maskinlæringsmodeller kombineres for at øge forudsigelsesnøjagtigheden, og forudsigelsesalgoritmer kan udvides til andre diagnoser.

18.000 tilfælde af akutmodtagelsespræsentationer over 10 år blev brugt som et trænings- og valideringsdatasæt. For at udvikle appendicitis-forudsigelsesmodellen blev deep learning neurale netværk med en tilpasset medicinsk ontologi brugt. Modellens diagnostiske nøjagtighed udtrykkes som sensitivitet (genkaldelse), specificitet og F1-score (harmonisk middelværdi). Den udviklede diagnoseprædiktive model viser høj sensitivitet (86,3%), specificitet (91,9%) og F1-score (88,8) ved diagnosticering af blindtarmsbetændelse fra patienter med mavesmerter.

Den prædiktive modelalgoritme vil også fremhæve ord i den frie tekst (indtastet af den behandlende læge), som den tildeler højere sandsynlighed for at forudsige et resultat. Lægerne vil blive instrueret i at give en procentvis sandsynlighed for blindtarmsbetændelse baseret på den kliniske præsentation og eventuelle tilgængelige laboratorieundersøgelser. Lægen får derefter vist forudsigelsen af ​​algoritmen samt de fremhævede ord for patienten indtastet. Han/hun skal derefter give en anden forudsigelse af sandsynligheden for blindtarmsbetændelse efter at have set den algoritmegenererede forudsigelse.

Målet er at evaluere algoritmens ydeevne og vurdere, om brugen af ​​algoritmen er i stand til at hjælpe akutlæger med at forbedre deres diagnose af blindtarmsbetændelse. Forudsigelsesresultaterne vil blive opstillet i tabelform for at vurdere nøjagtigheden af ​​algoritmen, læger før algoritme-input og læger efter at have modtaget algoritme-input. Nøjagtigheden vil blive udtrykt som sensitivitet, specificitet, nøjagtighed, positiv forudsigelsesværdi, F1-score og F0,5-score.

Cirka 100 akutlæger vil i løbet af 1 år blive rekrutteret som deltagere i undersøgelsen. Lægerne vil blive opdelt tilfældigt i to grupper - algoritmearmen og ingen algoritmearm. Randomiseringen vil ske efter tid (ugentlig) ved hjælp af variabel blokrandomisering på 4 og 6. Patienterne vil blive fulgt op til de endelige udskrivningsdiagnoser.