明尼蘇達大學醫(yī)學院的研究人員最近發(fā)表了研究成果PLOS ONE，該研究結(jié)果評估了機器學習 (ML) 的實時性能，該機器學習支持 M Health Fairview 醫(yī)院急診科出院的臨床決策。
由重癥醫(yī)師、住院醫(yī)師、急診醫(yī)生和信息學家組成的多學科團隊評估了支持 ML 的 預后工具的實時性能。該工具為急診科提供者提供臨床決策支持，以促進與患者就出院進行共同決策。
“ 從多個不同方面給醫(yī)療保健系統(tǒng)帶來了負擔，找到緩解壓力的方法至關重要，”M 醫(yī)學院助理教授兼明尼蘇達大學醫(yī)學中心 M Health Fairview 醫(yī)學中心主任 Monica Lupei 博士說-西方銀行。
在 Lupei 博士的帶領下，大學研究團隊在 12 個站點的 M Health Fairview 醫(yī)療保健系統(tǒng)中成功開發(fā)并實施了一個 預測模型，該模型在三種不同結(jié)果的性別、種族和民族方面表現(xiàn)良好。為預測嚴重 而創(chuàng)建的邏輯回歸算法在接受調(diào)查的人中表現(xiàn)良好，盡管是在 陽性人群中開發(fā)的。
博士。Christopher Tignanelli、Michael Usher、Danni Li 和 Nicholas Ingraham 在創(chuàng)建和評估 預測模型方面發(fā)揮了重要作用。
“通過支持 ML 的預測建模的臨床決策系統(tǒng)可能會增加患者護理，減少不當?shù)臎Q策變化并優(yōu)化資源利用——尤其是在大流行期間，”Lupei 博士說。
可以開發(fā)、驗證和實施支持 ML 的邏輯回歸模型，作為跨多家醫(yī)院的臨床決策支持，同時保持實時驗證的高性能并保持公平。
Lupei 博士建議，需要使用 ML 模型評估和進一步研究對患者結(jié)果和資源使用的影響。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！