机器学习模型可以用来帮助改善急诊室(ER)的分流方法的预测能力后一个JAMA研究表明该技术是在制作比传统方法的临床预测更好。
这些发现可能有助于改善用于分诊的临床预测方法，并改善急诊室的资源分配。
“由于两个因素之间的折衷，紧急部门的分类系统努力在分类不足和分类过度之间寻求适当的平衡。在当前的研究中，机器学习方法显示出比传统方法更高的预测重症监护效果的敏感性，”麻省总医院研究员Tadahiro Goto医师等。写道。
由于访问急诊室的病人数量和敏锐度不断提高，准确区分和区分患者的优先次序的能力变得越来越重要。根据这项研究，当前的分诊系统已经人满为患，并且在区分重症儿童时表现欠佳。
为了解决该问题并提供更高质量的及时护理，研究人员建议必须对分诊系统进行优化，以避免重症儿童的入院率降低，同时也减少急诊室的入院率。
卡迪夫大学的研究人员最近使用AI方法来开发临床预测模型，以使心血管疾病患者的预后更加准确和可靠。
在该研究中，研究人员使用了2007年至2015年儿童来访的52,037 ER数据集。百分之七十的数据用于训练和开发四种机器学习模型，以预测两种临床结果的可能性：重症监护和住院。
重症监护结果定义为直接进入重症监护病房(ICU)或住院死亡。住院结局定义为住院病人入院或直接转入急诊医院。这项研究表明，与传统方法相比，机器学习模型在预测临床结果方面更好。
在预测临床护理结果时，传统模型的判别能力最低，而所有四个机器学习模型的判别能力都很高。在预测住院结局时，传统模型的判别能力再次最低，而机器学习模型的判别能力则“明显更高”。
Goto等人说：“最近的研究报道，机器学习方法改善了对儿童颅脑外伤，无计划转移至ICU，败血症ED患者的院内死亡率以及哮喘或慢性阻塞性肺疾病患者住院的预测。”等 写道。“本研究以这些先前的报告为基础，并通过展示现代机器学习方法预测儿童大量ED访视的临床结果和配置的卓越能力来扩展它们。”
尽管还需要进行额外的验证，研究人员说这些发现“为应用先进的预测方法提供了机会，以支持临床医生的[ED]分诊决策，从而可以实现更准确的临床护理和最佳的资源分配。”
