Algoritmo di previsione del testo libero per l'appendicite

Lo sviluppo di modelli di apprendimento automatico che hanno un forte potere di previsione per la diagnosi di appendicite dall'input di testo libero inserito dal medico può migliorare l'accuratezza diagnostica dei medici. Offre inoltre la possibilità di utilizzare algoritmi di previsione per migliorare l'assistenza clinica di routine. In futuro, più modelli di machine learning potranno essere combinati per aumentare l'accuratezza della previsione e gli algoritmi di previsione potranno essere estesi ad altre diagnosi.

18.000 casi di presentazioni al pronto soccorso nell'arco di 10 anni sono stati utilizzati come set di dati di formazione e convalida. Per sviluppare il modello di previsione dell'appendicite, sono state utilizzate reti neurali di deep learning con un'ontologia medica personalizzata. L'accuratezza diagnostica del modello è espressa come sensibilità (richiamo), specificità e punteggio F1 (media armonica). Il modello predittivo di diagnosi sviluppato mostra un'elevata sensibilità (86,3%), specificità (91,9%) e punteggio F1 (88,8) nella diagnosi di appendicite da pazienti che presentano dolore addominale.

L'algoritmo del modello predittivo evidenzierà anche le parole nel testo libero (inserito dal medico curante) a cui assegna una maggiore probabilità di prevedere un risultato. I medici saranno istruiti a fornire una percentuale di probabilità di appendicite basata sulla presentazione clinica e su eventuali indagini di laboratorio disponibili. Al medico viene quindi mostrata la previsione dell'algoritmo e le parole evidenziate per il paziente inserito. Lui / lei deve quindi fornire un'altra previsione della probabilità di appendicite dopo aver visto la previsione generata dall'algoritmo.

L'obiettivo è valutare le prestazioni dell'algoritmo e valutare se l'utilizzo dell'algoritmo è in grado di aiutare i medici di emergenza a migliorare la diagnosi di appendicite. I risultati della previsione verranno tabulati per valutare l'accuratezza dell'algoritmo, i medici prima dell'input dell'algoritmo e i medici dopo aver ricevuto l'input dell'algoritmo. L'accuratezza sarà espressa come sensibilità, specificità, accuratezza, valore predittivo positivo, punteggio F1 e punteggio F0.5.

Saranno reclutati circa 100 medici di emergenza nel corso di 1 anno come partecipanti allo studio. I medici verranno divisi in modo casuale assegnati a due gruppi: il braccio dell'algoritmo e il braccio senza algoritmo. La randomizzazione avverrà per tempo (settimanale) utilizzando la randomizzazione a blocchi variabili di 4 e 6. I pazienti saranno seguiti per le diagnosi finali di dimissione.