Algorytm przewidywania dowolnego tekstu dla zapalenia wyrostka robaczkowego

Opracowanie modeli uczenia maszynowego, które mają dużą moc przewidywania diagnozy zapalenia wyrostka robaczkowego na podstawie wpisanego przez lekarza dowolnego tekstu, może poprawić dokładność diagnostyczną lekarzy. Oferuje również możliwość wykorzystania algorytmów predykcyjnych w celu usprawnienia rutynowej opieki klinicznej. W przyszłości można łączyć wiele modeli uczenia maszynowego w celu zwiększenia dokładności przewidywania, a algorytmy przewidywania można rozszerzyć na inne diagnozy.

Jako zestaw danych szkoleniowych i walidacyjnych wykorzystano 18 000 przypadków prezentacji na oddziałach ratunkowych w ciągu 10 lat. Aby opracować model przewidywania zapalenia wyrostka robaczkowego, wykorzystano sieci neuronowe głębokiego uczenia z dostosowaną ontologią medyczną. Dokładność diagnostyczna modelu wyrażana jest jako czułość (przypomnij sobie), swoistość i wynik F1 (średnia harmoniczna). Opracowany model predykcyjny rozpoznania charakteryzuje się wysoką czułością (86,3%), swoistością (91,9%) i wynikiem F1 (88,8) w rozpoznawaniu zapalenia wyrostka robaczkowego u pacjentów zgłaszających się z bólem brzucha.

Algorytm modelu predykcyjnego podświetli również w wolnym tekście (wpisanym przez lekarza prowadzącego) słowa, którym przypisuje większe prawdopodobieństwo przewidzenia wyniku. Lekarze zostaną poinstruowani, aby podać procentowe prawdopodobieństwo zapalenia wyrostka robaczkowego na podstawie obrazu klinicznego i wszelkich dostępnych badań laboratoryjnych. Następnie lekarzowi pokazana jest prognoza algorytmu, a także podświetlone słowa dla wprowadzonego pacjenta. Następnie musi przedstawić kolejną prognozę prawdopodobieństwa wystąpienia zapalenia wyrostka robaczkowego po obejrzeniu prognozy wygenerowanej przez algorytm.

Celem jest ocena wydajności algorytmu i ocena, czy użycie algorytmu może pomóc lekarzom ratunkowym w poprawie diagnozy zapalenia wyrostka robaczkowego. Wyniki przewidywania zostaną zestawione w tabeli w celu oceny dokładności algorytmu, lekarzy przed wprowadzeniem algorytmu i lekarzy po otrzymaniu danych wejściowych algorytmu. Dokładność zostanie wyrażona jako czułość, specyficzność, dokładność, dodatnia wartość przewidywania, wynik F1 i wynik F0,5.

Około 100 lekarzy ratunkowych zostanie zrekrutowanych w ciągu 1 roku jako uczestnicy badania. Lekarze zostaną losowo podzieleni na dwie grupy – ramię algorytmu i ramię bez algorytmu. Randomizacja będzie odbywać się według czasu (co tydzień) przy użyciu randomizacji bloków zmiennych 4 i 6. Pacjenci będą obserwowani w celu ostatecznej diagnozy wypisu.