模型,使用机器学习方法在医院和病人数据的到来更准确地预测中风

中风是最危险的,常误诊疾病。黑人和西班牙裔人,女性,农村老年人医疗保险,人们不太可能及时诊断治疗是有效的。在一项新的研究中,研究人员使用机器学习方法和数据当病人进入医院开发一个模型,预测中风有更多比现有模型精度。

卡耐基梅隆大学的研究中,研究人员(CMU),佛罗里达国际大学(事业单位),和圣克拉拉大学(并),出现在医学网络研究杂志》上。

诊断错误是一个重要的公共卫生问题,预防中风的死亡率由于此类错误发生超过30倍死于心肌梗塞。诊断中风是困难的因为很多条件,模拟中风、癫痫发作、偏头痛、酒精中毒等。这些困难可能导致延迟,可以复合健康问题。

自动检测工具来分析数据和建议中风诊断拥有巨大的潜力来帮助解决这个问题。科学家们转向人工智能和机器学习识别隐藏的见解从大量的数据和生成预测新的病人。

“机器学习方法被用来帮助检测中风临床讲义等解释详细的数据和诊断成像结果,“瑞玛Padman解释道,受托人管理科学和医疗信息学卡内基梅隆大学教授的Heinz学院的研究。”,但这些信息可能不是现成的最初当病人在医院急诊部门筛选,特别是在农村和缺医少药社区。”

Padman和她的同事们试图开发一个中风预测算法基于数据广泛使用在病人入院。他们还评估健康问题社会决定因素的附加值(SDoH)在预测中风;这些包括条件人出生,成长,生活,和年龄,这些条件的司机。

他们研究了超过143000名医院独特的病人在佛罗里达急症护理医院从2012年到2014年。研究人员还看着SDoH来自美国人口普查的美国社区调查的数据。他们的模型包含变量经常收集的卫生保健提供者和纳税人在进入医院,如基本的人口统计数据(年龄、性别、种族、种族),慢性疾病,主要支付(例如,医疗保险,医疗补助或私人保险)。

研究者的模型是准确的(84%精度预测中风)和敏感,优于现有的尺度(这往往错过30%的中风)。使用的模型表明,它可以预测病人的病情是中风的可能性在医院的时候表示基于病人的人口统计和健康问题社会决定因素的进入医院之前,获得诊断成像或实验室测试结果,作者说。

“现有模型的中度敏感引发的担忧是,他们很大比例的患者中风小姐,”解释了分钟,副教授信息系统和业务分析事业单位的商业学院,他也是这项研究的合著者。

“在医院医疗资源和临床工作人员的短缺,我们的算法可以补充现在的模型帮助快速优先考虑病人进行适当的干预。”

“因为我们的模型不需要临床的笔记或诊断测试结果,这可能是特别有用的在解决处理中风患者步行时误诊挑战与温和的和非典型症状,“建议宣Tan,讲师信息系统和分析在并列维商学院,也是该项研究的合作者之一。

”也可能是有用的在少量或non-stroke中心的急诊,供应商日常接触行程有限,而在农村地区有限的可用性敏感的诊断工具。”

在该研究的局限性,作者指出,因为他们的研究是回顾性的,确认中风病例依赖国际疾病分类编码,不涉及查看病人的记录。此外,他们警告说,他们的算法不应视为中风诊断的金标准,而是作为一个补充现有的模型中风评分系统用于医院。最后,他们的发现被健康问题社会决定因素变量可以在有限的管理数据。