Gratis textprediktionsalgoritm för blindtarmsinflammation

Att utveckla maskininlärningsmodeller som har en stark förutsägelsekraft för diagnos av blindtarmsinflammation från läkares inmatade fritextinmatning kan förbättra läkarnas diagnostiska noggrannhet. Det erbjuder också möjligheten att använda prediktionsalgoritmer för att förbättra rutinmässig klinisk vård. I framtiden kan flera maskininlärningsmodeller kombineras för att öka prediktionsnoggrannheten och prediktionsalgoritmer kan utökas till andra diagnoser.

18 000 fall av akutmottagningspresentationer under 10 år användes som en utbildnings- och valideringsdatauppsättning. För att utveckla blindtarmsinflammationsmodellen användes neurala nätverk för djupinlärning med en anpassad medicinsk ontologi. Modellens diagnostiska noggrannhet uttrycks som sensitivitet (återkallelse), specificitet och F1-poäng (harmoniskt medelvärde). Den utvecklade diagnosprediktiva modellen visar hög sensitivitet (86,3%), specificitet (91,9%) och F1-poäng (88,8) vid diagnos av blindtarmsinflammation från patienter med buksmärtor.

Den prediktiva modellalgoritmen kommer också att markera ord i den fria texten (inmatade av den behandlande läkaren) som den tilldelar högre sannolikhet för att förutsäga ett utfall. Läkarna kommer att instrueras att ge en procentuell sannolikhet för blindtarmsinflammation baserat på den kliniska presentationen och eventuella tillgängliga laboratorieundersökningar. Läkaren visas sedan förutsägelsen av algoritmen samt de markerade orden för patienten. Han/hon måste sedan ge en annan förutsägelse av sannolikheten för blindtarmsinflammation efter att ha sett den algoritmgenererade förutsägelsen.

Syftet är att utvärdera algoritmens prestanda och att bedöma om användningen av algoritmen kan hjälpa akutläkare att förbättra sin diagnos av blindtarmsinflammation. Förutsägelseresultaten kommer att tas i tabellform för att bedöma algoritmens noggrannhet, läkare före algoritminmatning och läkare efter att ha mottagit algoritminmatning. Noggrannheten kommer att uttryckas som sensitivitet, specificitet, noggrannhet, positivt prediktionsvärde, F1-poäng och F0,5-poäng.

Cirka 100 akutläkare kommer att rekryteras under loppet av 1 år som deltagare i studien. Läkarna kommer att delas upp slumpmässigt till två grupper - algoritmarmen och ingen algoritmarm. Randomiseringen kommer att ske efter tid (veckovis) med variabel blockrandomisering av 4 och 6. Patienterna kommer att följas upp för de slutgiltiga utskrivningsdiagnoserna.