Gratis tekstprediksjonsalgoritme for blindtarmbetennelse

Utvikling av maskinlæringsmodeller som har en sterk prediksjonskraft for diagnostisering av blindtarmbetennelse fra fritekstinntasting av lege kan forbedre diagnostisk nøyaktighet for leger. Det gir også muligheten til å bruke prediksjonsalgoritmer for å forbedre rutinemessig klinisk behandling. I fremtiden kan flere maskinlæringsmodeller kombineres for å øke prediksjonsnøyaktigheten og prediksjonsalgoritmer kan utvides til andre diagnoser.

18 000 tilfeller av akuttmottakspresentasjoner over 10 år ble brukt som opplærings- og valideringsdatasett. For å utvikle blindtarmbetennelsesprediksjonsmodellen, ble dyplæringsnevrale nettverk med en tilpasset medisinsk ontologi brukt. Den diagnostiske nøyaktigheten til modellen uttrykkes som sensitivitet (gjenkalling), spesifisitet og F1-skåre (harmonisk gjennomsnitt). Den utviklede diagnoseprediktive modellen viser høy sensitivitet (86,3 %), spesifisitet (91,9 %) og F1-skår (88,8) ved diagnostisering av blindtarmbetennelse fra pasienter med magesmerter.

Den prediktive modellalgoritmen vil også fremheve ord i friteksten (skrives inn av den behandlende legen) som den tildeler høyere sannsynlighet for å forutsi et utfall. Legene vil bli bedt om å gi en prosentvis sannsynlighet for blindtarmbetennelse basert på den kliniske presentasjonen og eventuelle tilgjengelige laboratorieundersøkelser. Legen blir deretter vist prediksjonen av algoritmen samt de uthevede ordene for pasienten som er lagt inn. Han/hun må deretter gi en ny prediksjon av sannsynligheten for blindtarmbetennelse etter å ha sett algoritmen generert prediksjon.

Målet er å evaluere ytelsen til algoritmen og vurdere om bruken av algoritmen er i stand til å hjelpe legevakt med å forbedre diagnosen blindtarmbetennelse. Prediksjonsresultatene vil bli tabellert for å vurdere nøyaktigheten av algoritmen, leger før algoritmeinndata og leger etter å ha mottatt algoritmeinndata. Nøyaktigheten vil bli uttrykt som sensitivitet, spesifisitet, nøyaktighet, positiv prediksjonsverdi, F1-score og F0,5-score.

Omtrent 100 legevaktleger vil bli rekruttert i løpet av 1 år som deltakere i studien. Legene vil bli delt tilfeldig tildelt i to grupper - algoritmearmen og ingen algoritmearm. Randomiseringen vil skje etter tid (ukentlig) ved bruk av variabel blokkrandomisering på 4 og 6. Pasientene vil bli fulgt opp for de endelige utskrivningsdiagnosene.