머신 러닝을 사용한 입원 환자의 신속한 위험 진단

이 제안의 목적은 여러 의료-외과 단위의 전자 건강 기록 내에 임상 의사 결정 지원 도구(eCARTv5)를 신속하게 배치하는 것입니다. eCART는 집중 치료(ICU) 이송 및 사망 위험이 증가한 환자를 식별하기 위한 실시간 기계 학습 알고리즘을 임상 경로와 결합하여 환자 위험의 실시간 정량적 평가를 기반으로 이러한 환자의 치료를 표준화합니다.

연구자들은 이러한 도구를 구현하면 입원 위험이 높은 성인의 인공호흡기 사용, 입원 기간 및 사망률 감소와 관련이 있을 것이라고 가정합니다.

배경:

입원한 성인의 약 5%에서 임상적 악화가 발생합니다. 악화에 대한 인식 지연은 불리한 결과의 위험을 높입니다. 기계 학습 알고리즘은 임상 의사 결정을 향상시키고 환자 치료의 질을 향상시킬 수 있습니다. 그러나 임상 결과에 미치는 영향은 알고리즘의 민감도와 특이성뿐만 아니라 해당 알고리즘이 제공자 작업 흐름에 얼마나 잘 통합되고 시기 적절하고 적절한 개입을 용이하게 하는지에 따라 달라집니다.

예비 데이터:

eCART는 10년 이상의 진행 중인 과학 연구를 기반으로 구축되었으며 수많은 상호 검토 간행물에 연대순으로 기록되어 있습니다. eCART는 Drs에 의해 시카고 대학교에서 개발되었습니다. 데이나 에델슨과 매튜 처펙. 첫 번째 버전(eCARTv1)은 단일 의료 센터의 거의 60,000명의 성인 병동 환자 데이터 세트에서 선형 로지스틱 회귀를 사용하여 파생되고 검증되었습니다. 이 모델에는 16개의 변수가 포함되어 있으며 이후 자동 모드에서 검증되어 eCART가 ICU 이송 또는 심정지보다 24시간 이상 앞서 임상의에게 경고할 수 있음을 입증했습니다. 5개 병원의 약 270,000명의 환자 데이터 세트에서 파생되고 검증된 eCARTv2는 27개의 변수가 포함된 큐빅 스플라인 로지스틱 회귀 모델을 활용하여 이전 버전보다 개선되었으며 일반적으로 사용되는 MEWS(수정된 조기 경보 점수)보다 향상된 정확도를 입증했습니다. 병상에서 간호사가 손으로 계산할 수 있습니다(AUC 0.77 대 심정지, ICU 이송 또는 사망의 경우 0.70). 다기관 임상 구현 연구에서 eCARTv2는 사망률에 대한 상대적 위험을 29% 감소시키는 것과 관련이 있었습니다. eCART의 추가 개발에서 시카고 대학 연구팀은 큐빅 스플라인 모델에서 랜덤 포레스트 또는 GBM(gradient boosted machine)과 같은 기계 학습 모델로 업그레이드하면 AUC를 높일 수 있음을 시연했습니다. 가장 최근 개발인 eCART v5에서 연구팀은 800,000개 이상의 환자 기록의 다중 센터 데이터 세트에서 훈련된 그래디언트 부스트 기계 학습 모델을 사용하여 분석을 발전시켰습니다. 이제 97개의 변수가 있는 이 보다 정교한 모델은 임상의가 임상 악화를 예측할 수 있는 정확도를 높입니다.