Algoritmo de previsão de texto livre para apendicite

O desenvolvimento de modelos de aprendizado de máquina que têm um forte poder de previsão para o diagnóstico de apendicite da entrada de texto livre inserida pelo médico pode melhorar a precisão do diagnóstico dos médicos. Também oferece a possibilidade de usar algoritmos de previsão para melhorar o atendimento clínico de rotina. No futuro, vários modelos de aprendizado de máquina podem ser combinados para aumentar a precisão da previsão e os algoritmos de previsão podem ser estendidos para outros diagnósticos.

18.000 casos de apresentações no departamento de emergência ao longo de 10 anos foram usados ​​como um conjunto de dados de treinamento e validação. Para desenvolver o modelo de previsão de apendicite, foram utilizadas redes neurais de aprendizado profundo com uma ontologia médica personalizada. A precisão diagnóstica do modelo é expressa como sensibilidade (recall), especificidade e pontuação F1 (média harmônica). O modelo preditivo de diagnóstico desenvolvido mostra alta sensibilidade (86,3%), especificidade (91,9%) e pontuação F1 (88,8) no diagnóstico de apendicite de pacientes com dor abdominal.

O algoritmo do modelo preditivo também destacará palavras no texto livre (inserido pelo médico assistente) que atribui maior probabilidade de prever um resultado. Os médicos serão instruídos a fornecer uma probabilidade percentual de apendicite com base na apresentação clínica e em quaisquer investigações laboratoriais disponíveis. O médico vê então a previsão do algoritmo, bem como as palavras destacadas para o paciente inserido. Ele/ela deve fornecer outra previsão da probabilidade de apendicite depois de ver a previsão gerada pelo algoritmo.

O objetivo é avaliar o desempenho do algoritmo e avaliar se o uso do algoritmo é capaz de ajudar os médicos de emergência a melhorar seu diagnóstico de apendicite. Os resultados da previsão serão tabulados para avaliar a precisão do algoritmo, médicos antes da entrada do algoritmo e médicos depois de receber a entrada do algoritmo. A precisão será expressa como sensibilidade, especificidade, precisão, valor de predição positiva, pontuação F1 e pontuação F0,5.

Aproximadamente 100 médicos de emergência serão recrutados ao longo de 1 ano como participantes do estudo. Os médicos serão divididos aleatoriamente em dois grupos - o braço do algoritmo e o braço sem algoritmo. A randomização será por tempo (semanal) utilizando randomização de bloco variável de 4 e 6. Os pacientes serão acompanhados para os diagnósticos finais de alta.