應用具臨床敘述感知能力的深度神經網路於急診部門重症監護預測

目的：急診科 (ED) 過度擁擠已成為一個全球性問題。未能妥善安排應急資源和應急操作方式，會導致患者等待就醫時間過長，導致治療延誤或病死率和發病率較高。為了達到更直接、更準確的治療和效果，早期預測成為醫院積極實踐的解決方案。有鑑於此，本研究項目將使用深度神經網絡來分析 ED 常規收集的臨床敘述和結構化數據。它旨在預測具有潛在關鍵結果的成人 ED 就診，並側重於使用臨床敘述和結構化數據進行早期預測。我們還比較了急診醫師和機器學習模型的預測能力。
方法：該研究收集了 2017 年 5 月 1 日至 2020 年 5 月 31 日臺北醫學大學急診科 – 衛生福利部雙和醫院的成人（年齡≥18 歲）急診科就診情況。預測因素包括患者過去病史，從電子健康記錄中提取主訴、現病史、人口統計數據和生命體徵。關鍵結果被定義為重症監護病房（ICU）入院或院內心臟驟停（IHCA）。為了處理雜亂的文本和標準化的數字數據，我們創建了臨床敘事感知深度神經網絡來解決這些任務。該方法與其他機器學習模型進行了比較，例如隨機森林、樸素貝葉斯等。隨後，從我的數據集中隨機抽取了 30 次就診作為醫生的測試數據。醫生被要求從測試數據中預測這些 ED 就診的可能結果，並將他們的結果與我的深度神經網絡模型進行進一步比較。
結果：在本研究涵蓋的 171275 次成人就診中，4308 次 (2.5%) 產生了關鍵結果。我的預測模型的 AUC 為 0.874，不僅超越了之前的機器學習模型，而且在靈敏度（0.95 對 0.41）和準確度（0.90 對 0.67）方面也優於急診醫師。
結論：該模型以更高的靈敏度和準確性預測重要結果，突出了預測分析幫助分類決策的潛力。需要進一步的前瞻性驗證。