Алгоритм прогнозирования свободного текста для аппендицита

Разработка моделей машинного обучения, обладающих высокой способностью прогнозирования диагноза аппендицита на основе ввода врачом произвольного текста, может повысить точность диагностики врачей. Он также предлагает возможность использования алгоритмов прогнозирования для улучшения рутинной клинической помощи. В будущем несколько моделей машинного обучения можно будет комбинировать для повышения точности прогнозирования, а алгоритмы прогнозирования можно будет распространить на другие диагнозы.

18 000 случаев обращений в отделение неотложной помощи за 10 лет были использованы в качестве набора данных для обучения и проверки. Для разработки модели прогнозирования аппендицита использовались нейронные сети глубокого обучения с индивидуальной медицинской онтологией. Диагностическая точность модели выражается как чувствительность (отзыв), специфичность и показатель F1 (гармоническое среднее). Разработанная прогностическая модель диагноза показывает высокую чувствительность (86,3%), специфичность (91,9%) и балл F1 (88,8) в диагностике аппендицита у пациентов с болью в животе.

Алгоритм прогностической модели также выделяет слова в свободном тексте (введенном лечащим врачом), которые присваивают более высокую вероятность прогнозирования результата. Врачи будут проинструктированы предоставить процентную вероятность аппендицита на основе клинической картины и любых доступных лабораторных исследований. Затем врачу показывают предсказание алгоритма, а также выделенные слова для введенного пациента. Затем он / она должен предоставить еще один прогноз вероятности аппендицита после просмотра прогноза, сгенерированного алгоритмом.

Цель состоит в том, чтобы оценить эффективность алгоритма и определить, может ли его использование помочь врачам скорой помощи улучшить диагностику аппендицита. Результаты прогнозирования будут сведены в таблицу для оценки точности алгоритма, врачей до ввода алгоритма и врачей после получения ввода алгоритма. Точность будет выражаться как чувствительность, специфичность, точность, значение положительного прогноза, оценка F1 и оценка F0,5.

Около 100 врачей скорой помощи будут набраны в течение 1 года в качестве участников исследования. Врачи будут случайным образом разделены на две группы: группу с алгоритмом и группу без алгоритма. Рандомизация будет осуществляться по времени (еженедельно) с использованием рандомизации переменных блоков 4 и 6. Пациенты будут находиться под наблюдением для окончательного диагноза при выписке.