Gratis tekstvoorspellingsalgoritme voor appendicitis

Het ontwikkelen van machine learning-modellen die een sterk voorspellend vermogen hebben voor de diagnose van appendicitis van door een arts ingevoerde vrije tekstinvoer, kan de diagnostische nauwkeurigheid van artsen verbeteren. Het biedt ook de mogelijkheid om voorspellingsalgoritmen te gebruiken om de routinematige klinische zorg te verbeteren. In de toekomst kunnen meerdere machine learning-modellen worden gecombineerd om de voorspellingsnauwkeurigheid te vergroten en kunnen voorspellingsalgoritmen worden uitgebreid naar andere diagnoses.

18.000 gevallen van presentaties op de afdeling spoedeisende hulp gedurende 10 jaar werden gebruikt als dataset voor training en validatie. Om het appendicitis-voorspellingsmodel te ontwikkelen, werden deep learning neurale netwerken met een op maat gemaakte medische ontologie gebruikt. De diagnostische nauwkeurigheid van het model wordt uitgedrukt in sensitiviteit (recall), specificiteit en F1-score (harmonisch gemiddelde). Het ontwikkelde diagnosevoorspellende model toont een hoge sensitiviteit (86,3%), specificiteit (91,9%) en F1-score (88,8) bij het diagnosticeren van appendicitis bij patiënten met buikpijn.

Het algoritme van het voorspellende model zal ook woorden in de vrije tekst (ingevoerd door de behandelende arts) markeren waaraan een hogere waarschijnlijkheid voor het voorspellen van een uitkomst wordt toegekend. De artsen zullen worden geïnstrueerd om een ​​procentuele kans op blindedarmontsteking te geven op basis van de klinische presentatie en alle beschikbare laboratoriumonderzoeken. De arts krijgt dan de voorspelling van het algoritme te zien, evenals de gemarkeerde woorden voor de ingevoerde patiënt. Hij/zij moet dan nog een voorspelling doen van de waarschijnlijkheid van blindedarmontsteking nadat hij/zij de door het algoritme gegenereerde voorspelling heeft gezien.

Het doel is om de prestaties van het algoritme te evalueren en te beoordelen of het gebruik van het algoritme spoedartsen kan helpen bij het verbeteren van hun diagnose van appendicitis. De voorspellingsresultaten worden getabelleerd om de nauwkeurigheid van het algoritme te beoordelen, artsen vóór algoritme-invoer en artsen na ontvangst van algoritme-invoer. De nauwkeurigheid wordt uitgedrukt als gevoeligheid, specificiteit, nauwkeurigheid, positieve voorspellingswaarde, F1-score en F0.5-score.

Ongeveer 100 spoedartsen zullen in de loop van 1 jaar worden aangeworven als deelnemers aan het onderzoek. De artsen worden willekeurig verdeeld over twee groepen: de algoritme-arm en de geen-algoritme-arm. De randomisatie zal op tijd plaatsvinden (wekelijks) met behulp van variabele blokrandomisatie van 4 en 6. De patiënten zullen worden opgevolgd voor de definitieve ontslagdiagnoses.