Freier Textvorhersagealgorithmus für Appendizitis

Die Entwicklung von maschinellen Lernmodellen, die eine starke Vorhersagekraft für die Diagnose einer Appendizitis aus der vom Arzt eingegebenen Freitexteingabe haben, kann die diagnostische Genauigkeit der Ärzte verbessern. Es bietet auch die Möglichkeit, Vorhersagealgorithmen zur Verbesserung der klinischen Routineversorgung einzusetzen. In Zukunft können mehrere maschinelle Lernmodelle kombiniert werden, um die Vorhersagegenauigkeit zu erhöhen, und Vorhersagealgorithmen können auf andere Diagnosen erweitert werden.

18.000 Fälle von Präsentationen in der Notaufnahme über 10 Jahre wurden als Trainings- und Validierungsdatensatz verwendet. Zur Entwicklung des Appendizitis-Vorhersagemodells wurden neuronale Deep-Learning-Netze mit einer angepassten medizinischen Ontologie verwendet. Die diagnostische Genauigkeit des Modells wird als Sensitivität (Recall), Spezifität und F1-Score (harmonischer Mittelwert) ausgedrückt. Das entwickelte Diagnose-Vorhersagemodell zeigt eine hohe Sensitivität (86,3 %), Spezifität (91,9 %) und einen F1-Score (88,8) bei der Diagnose einer Blinddarmentzündung bei Patienten mit Bauchschmerzen.

Der Vorhersagemodellalgorithmus hebt auch Wörter in dem (vom behandelnden Arzt eingegebenen) freien Text hervor, denen er eine höhere Wahrscheinlichkeit für die Vorhersage eines Ergebnisses zuweist. Die Ärzte werden angewiesen, eine prozentuale Wahrscheinlichkeit einer Appendizitis basierend auf dem klinischen Erscheinungsbild und allen verfügbaren Laboruntersuchungen anzugeben. Dem Arzt werden dann die Vorhersage des Algorithmus sowie die hervorgehobenen Wörter für den eingegebenen Patienten angezeigt. Er/sie muss dann eine weitere Vorhersage der Wahrscheinlichkeit einer Blinddarmentzündung abgeben, nachdem er die vom Algorithmus generierte Vorhersage gesehen hat.

Ziel ist es, die Leistung des Algorithmus zu bewerten und zu beurteilen, ob die Verwendung des Algorithmus Notärzten helfen kann, ihre Diagnose einer Appendizitis zu verbessern. Die Vorhersageergebnisse werden tabelliert, um die Genauigkeit des Algorithmus, der Ärzte vor der Algorithmuseingabe und der Ärzte nach Erhalt der Algorithmuseingabe zu bewerten. Die Genauigkeit wird als Sensitivität, Spezifität, Genauigkeit, positiver Vorhersagewert, F1-Score und F0,5-Score ausgedrückt.

Etwa 100 Notärzte werden im Laufe von 1 Jahr als Studienteilnehmer rekrutiert. Die Ärzte werden nach dem Zufallsprinzip zwei Gruppen zugeordnet – dem Algorithmus-Arm und dem Kein-Algorithmus-Arm. Die Randomisierung erfolgt nach Zeit (wöchentlich) unter Verwendung einer variablen Block-Randomisierung von 4 und 6. Die Patienten werden für die endgültigen Entlassungsdiagnosen nachbeobachtet.