本文内容如下gydF4y2Bae-collection /主题问题:gydF4y2Ba

为卫生专业人员提供决策支持(726)gydF4y2Ba 临床信息与决策(894)gydF4y2Ba 人工智能(657)gydF4y2Ba 机器学习(993)gydF4y2Ba

发表在gydF4y2Ba在gydF4y2Ba9卷gydF4y2Ba，第9号gydF4y2Ba(2021)gydF4y2Ba: 9月gydF4y2Ba

本文的预印本(早期版本)可在gydF4y2Bahttps://preprints.www.mybigtv.com/preprint/30770gydF4y2Ba，首次出版gydF4y2Ba．gydF4y2Ba
使用初始分诊信息预测急诊科成年患者重症监护结果:XGBoost算法分析gydF4y2Ba

使用初始分诊信息预测急诊科成年患者重症监护结果:XGBoost算法分析gydF4y2Ba

使用初始分诊信息预测急诊科成年患者重症监护结果:XGBoost算法分析gydF4y2Ba

本文作者:gydF4y2Ba

Hyoungju云gydF4y2Ba1gydF4y2Ba 作者:OrcidgydF4y2Ba；gydF4y2Ba Jinwook崔gydF4y2Ba1 2 3gydF4y2Ba 作者:OrcidgydF4y2Ba；gydF4y2Ba 朴正浩gydF4y2Ba4、5gydF4y2Ba 作者:OrcidgydF4y2Ba
文章gydF4y2Ba 作者gydF4y2Ba 引自(5)gydF4y2Ba Tweetations (5)gydF4y2Ba 指标gydF4y2Ba

    原始论文gydF4y2Ba

    1gydF4y2Ba韩国首尔国立大学医学院医学信息学跨学科项目gydF4y2Ba

    2gydF4y2Ba首尔国立大学医学院生物医学工程系，韩国首尔gydF4y2Ba

    3.gydF4y2Ba首尔国立大学医学研究中心医学与生物工程研究所，韩国首尔gydF4y2Ba

    4gydF4y2Ba首尔国立大学医学院急诊医学系，韩国首尔gydF4y2Ba

    5gydF4y2Ba韩国首尔国立首尔大学医院生物医学研究所紧急医疗服务实验室gydF4y2Ba

    通讯作者:gydF4y2Ba

    崔真旭，医学博士，博士gydF4y2Ba

    医学与生物工程研究所gydF4y2Ba

    医学研究中心gydF4y2Ba

    首尔大学gydF4y2Ba

    钟路区大学路103号gydF4y2Ba

    首尔,03080gydF4y2Ba

    大韩民国gydF4y2Ba

    电话:82 2 2072 3421gydF4y2Ba

    电子邮件:gydF4y2Bajinchoi@snu.ac.krgydF4y2Ba


    背景:gydF4y2Ba急诊科(ED)分诊系统分类和优先考虑患者从高风险到不太紧急仍然是一个挑战。gydF4y2Ba

    摘要目的:gydF4y2Ba本研究包括80,433名患者，旨在利用在急诊科分诊过程中收集的信息开发成人患者重症监护结果的机器学习算法预测模型，并使用韩国分诊和敏锐度量表(KTAS)将其性能与基线模型进行比较。gydF4y2Ba

    方法:gydF4y2Ba为了预测重症监护的需要，我们从分类信息中使用了13个预测指标:年龄、性别、ED到达方式、ED发作和到达的时间间隔、ED就诊原因、主诉、收缩压、舒张压、脉搏率、呼吸率、体温、血氧饱和度和意识水平。采用logistic回归建立KTAS基线模型，采用极限梯度增强(XGB)和深度神经网络(DNN)算法生成13个变量的机器学习模型。鉴别用受试者工作特征曲线下面积(AUROC)测定。评价了Hosmer-Lemeshow检验的校正能力和净重分类指数的再分类能力。分析采用标定图和偏相关图。gydF4y2Ba

    结果:gydF4y2Ba全变量集模型的AUROC(0.833-0.861)优于基线模型(0.796)。AUROC为0.861 (95% CI 0.848-0.874)的XGB模型比DNN模型0.833 (95% CI 0.819-0.848)的判别性能更好。在净重分类指数为正的情况下，XGB和DNN模型的重分类效果优于基线模型。XGB模型校正良好(Hosmer-Lemeshow检验;gydF4y2BaPgydF4y2Ba> . 05);然而，DNN显示出较差的校准能力(Hosmer-Lemeshow test;gydF4y2BaPgydF4y2Ba<措施)。我们进一步解释了变量与重症监护预测之间的非线性关联。gydF4y2Ba

    结论:gydF4y2Ba我们的研究表明，使用急诊科分诊初始信息的XGB模型在预测需要重症监护的患者方面的表现优于使用KTAS的传统模型。gydF4y2Ba

    中华医学杂志;2011;9(9):393 - 393gydF4y2Ba

    doi: 10.2196/30770gydF4y2Ba

    关键字gydF4y2Ba

    伤检分类gydF4y2Ba；gydF4y2Ba 急救护理gydF4y2Ba；gydF4y2Ba 预测gydF4y2Ba；gydF4y2Ba XGBoostgydF4y2Ba；gydF4y2Ba 可解释的机器学习gydF4y2Ba；gydF4y2Ba 可解释的人工智能gydF4y2Ba；gydF4y2Ba 机器学习gydF4y2Ba；gydF4y2Ba 算法gydF4y2Ba；gydF4y2Ba 预测gydF4y2Ba；gydF4y2Ba 结果gydF4y2Ba；gydF4y2Ba 紧急gydF4y2Ba；gydF4y2Ba 伤检分类gydF4y2Ba；gydF4y2Ba 分类gydF4y2Ba；gydF4y2Ba 优先考虑gydF4y2Ba；gydF4y2Ba 风险gydF4y2Ba；gydF4y2Ba 模型gydF4y2Ba


    急诊科(ED)人满为患已成为一个世界性的主要卫生保健问题。gydF4y2Ba1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba]。因此，大多数急诊科都有分诊，以应对不断增长的患者数量[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba]。急诊科分诊是对高危病人进行优先排序和决定病人急诊科护理过程的第一个风险评估[gydF4y2Ba5gydF4y2Ba-gydF4y2Ba8gydF4y2Ba]。在分诊时准确识别需要立即护理的患者并为急诊科患者提供快速护理是至关重要的，因为延迟护理可能导致许多临床疾病的发病率和死亡率增加[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba7gydF4y2Ba，gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba]。gydF4y2Ba

    五级分诊系统，包括加拿大分诊和敏度度量表(CTAS)、曼彻斯特分诊系统(MTS)和紧急情况严重程度指数(ESI)，被广泛使用[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba]。韩国分诊和敏锐度量表(KTAS)是在2012年以cta为基础开发的，自2016年起在韩国全国范围内作为ED分诊工具使用[gydF4y2Ba11gydF4y2Ba-gydF4y2Ba13gydF4y2Ba]。虽然急诊科已经建立了五级分诊制度，但由于其严重依赖医疗服务提供者的主观判断，因此存在很大的可变性，因此需要改进[gydF4y2Ba5gydF4y2Ba，gydF4y2Ba7gydF4y2Ba-gydF4y2Ba10gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]。gydF4y2Ba

    极端梯度增强(XGB)和深度神经网络(dnn)等机器学习算法具有拟合大型数据集中预测因子和结果之间非线性关系的优势[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba14gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]。最近的文献表明，使用分诊信息的机器学习预测模型在筛选有住院、重症监护病房(ICU)入院、死亡率和重症监护风险的ED患者时，比使用传统的五级分诊评分方法的基线模型表现更好。重症监护病房被定义为ICU入院和死亡率的综合结果[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba6gydF4y2Ba-gydF4y2Ba10gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba17gydF4y2Ba-gydF4y2Ba20.gydF4y2Ba]。gydF4y2Ba

    临床预测模型的特征应该是辨别性(discriminate)和校准性(calibration)，前者表明模型区分将发生事件的患者和不会发生事件的患者的能力有多强，后者指的是预测与观察结果之间的一致性[gydF4y2Ba20.gydF4y2Ba-gydF4y2Ba23gydF4y2Ba]。系统综述报道，用于临床预测的机器学习模型研究几乎总是使用受试者工作特征(AUROC)曲线下的面积来评估判别性能，而风险预测的可靠性，即校准，很少被评估[gydF4y2Ba24gydF4y2Ba-gydF4y2Ba27gydF4y2Ba]。在以往大多数关于急症分诊的研究中，提供了与鉴别能力有关的性能指标，但评估预测与真实风险的接近程度的校准却很少报道。Raita等人使用四种机器学习算法提供了急诊科分诊预测重症监护结果的AUROC [gydF4y2Ba9gydF4y2Ba]。Kwon等人评估了基于深度学习的重症患者分诊和敏锐度评分模型的辨识度[gydF4y2Ba12gydF4y2Ba]。Goto等人[gydF4y2Ba10gydF4y2Ba]研究了机器学习方法在预测急诊科哮喘和慢性阻塞性肺疾病加重患者重症监护结果方面的判别性能。然而，在回顾的研究中，重症监护结果模型的校准并未作为一项性能衡量指标。校准不良的预测算法模型可能会产生误导，可能导致不正确和潜在有害的临床决策[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]。因此，需要对急诊科危重患者分诊时的预测模型中校准的性能进行评估。gydF4y2Ba

    此外，迄今为止还没有研究调查过机器学习模型在ED分类中的可解释性。机器学习的可解释性定义为机器学习用户理解和解释机器学习模型所做预测的程度[gydF4y2Ba14gydF4y2Ba-gydF4y2Ba16gydF4y2Ba]。缺乏解释是建立临床医生信任和在临床实践中广泛采用机器学习模型的障碍[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba29gydF4y2Ba]。解释机器学习算法模型预测结果的合理性，确保模型基于正确的原因做出正确的预测，这是提高临床医生购买的必要条件[gydF4y2Ba14gydF4y2Ba-gydF4y2Ba16gydF4y2Ba，gydF4y2Ba29gydF4y2Ba]。因此，在本研究中，我们应用部分依赖图(PDP)，一种用于解释预测因子与预测结果之间关系的全局模型不可知论技术，来研究机器学习预测在急诊科临床护理中的可解释性[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba]。gydF4y2Ba

    我们利用常规可用的分诊信息开发并验证了危重病护理结果的机器学习预测模型。我们假设，与使用逻辑回归的基线KTAS模型相比，将机器学习算法应用于急诊科分类信息可以提高急诊科患者重症监护结果预测的性能。gydF4y2Ba


    研究设计、设置和数据来源gydF4y2Ba

    这是一项回顾性研究，研究对象是2016年1月1日至2018年12月31日期间，在一家城市三级医疗学术中心急诊科就诊的患者，该中心每年的人口普查约为7万人。我们收集了人口统计数据(年龄和性别)、急诊科到达的方式、发病和急诊科就诊的时间间隔、急诊科就诊的原因、主诉、初始生命体征测量、KTAS评分和处理结果(急诊科结果和入院结果)。所有数据均来自韩国国家应急部门信息系统。gydF4y2Ba

    研究人群gydF4y2Ba

    我们考虑了在研究期间到急诊科就诊的成年患者(年龄≥18岁)。我们排除了在分诊时不需要临床结果预测的患者，即到达急诊科时心脏骤停或死亡的患者。此外，我们排除了转到另一家医院或未完成护理的患者，因为无法确定他们的ED结果。未纳入分诊信息缺失或无效的患者(表S1;gydF4y2Ba多媒体附录1gydF4y2Ba）.gydF4y2Ba

    结果gydF4y2Ba

    本研究的主要转归是重症监护转归，定义为直接入住ICU或既往研究中住院死亡率的总和[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba7gydF4y2Ba，gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba

    变量与预处理gydF4y2Ba

    对于重症监护的预测，我们共纳入了13个变量:年龄、性别、ED到达的方式、发作和ED到达的时间间隔、ED就诊原因、主诉、收缩压(SBP)、舒张压(DBP)、脉搏率(PR)、呼吸率(RR)、体温(BT)、氧饱和度和意识水平，即警觉、言语、疼痛和无反应(AVPU)。急诊科到达的方式分为两种选择:使用救护车或不使用救护车。去急诊室的原因有两个价值，要么是生病，要么是受伤。以统一医学语言系统(UMLS)为基础的主诉是从547个代码中选出的。中描述了变量的预处理细节gydF4y2Ba多媒体附录1gydF4y2Ba(表S1)。gydF4y2Ba

    模型开发gydF4y2Ba

    采用XGB和DNN两种现代预测算法建立了关键结局的预测模型。gydF4y2Ba

    XGB算法是一种前沿的梯度增强机制的机器学习应用[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba]。梯度增强是一种集成算法，新树专注于调整先前树模型产生的误差[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba-gydF4y2Ba32gydF4y2Ba]。我们使用五倍交叉验证在训练集上实现了XGB模型。通过网格搜索选择调优超参数的最大深度为5，学习率为0.1(表S2;gydF4y2Ba多媒体附录1gydF4y2Ba）.对于装备学习机制以适应非线性关系和高阶相互作用的DNN算法，[gydF4y2Ba5gydF4y2Ba，gydF4y2Ba10gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba33gydF4y2Ba]，我们使用从网格搜索中选择的三个隐藏层:(1)一个整流线性单元作为激活函数;(2)自适应矩估计作为优化器;(3) drop-out率为10%，lambda为零值，二值交叉熵为损失函数(表S2，gydF4y2Ba多媒体附录1gydF4y2Ba）.gydF4y2Ba

    采用随机抽样将整个数据集分成训练集(80%)和验证集(20%)。在验证数据集中对预测模型的性能进行了评价。gydF4y2Ba

    统计分析gydF4y2Ba

    对于研究人群的特点，根据重症监护，双尾gydF4y2BatgydF4y2Ba曼-惠特尼测试gydF4y2BaUgydF4y2Ba对连续变量进行检验，对分类变量进行卡方检验或Fisher精确检验。gydF4y2Ba

    AUROC评估了作为主要衡量标准的辨析能力，它指的是模型区分发生事件高风险人群和低风险人群的能力[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]。我们使用DeLong检验比较模型间的AUROC [gydF4y2Ba9gydF4y2Ba]。使用净重分类指数(NRI)评估重分类改善[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]。NRI量化新模型与参考模型相比在重新分类科目方面的表现[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]。采用Hosmer-Lemeshow检验(二元结果预测模型的拟合优度度量)评估模型校准[gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]。此外，在信度图上描述校准，以表示预测概率与观测结果之间的关系[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]。理想的校正应在45度线内[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]。报告了性能指标的敏感性、特异性、阳性预测值(ppv)和阴性预测值(npv)。我们使用85%的灵敏度截止点来说明性能。gydF4y2Ba

    采用置换变量重要性的方法评估和确定每个预测模型的变量重要性，该方法通过测量每个变量被置换时模型预测性能(AUROC)的下降来计算重要性[gydF4y2Ba35gydF4y2Ba-gydF4y2Ba38gydF4y2Ba]。gydF4y2Ba

    最后，对于最佳预测模型，在平均模型中其他预测因子的效果后，将每个变量的方向和效应大小的PDP可视化[gydF4y2Ba38gydF4y2Ba-gydF4y2Ba40gydF4y2Ba]。更具体地说，通过计算单个变量对预测结果的边际效应而得出的偏相关性表明了一个变量与预测响应之间的关联是线性的还是非线性的[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba40gydF4y2Ba，gydF4y2Ba41gydF4y2Ba]。gydF4y2Ba

    小动物——一张长有gydF4y2BaPgydF4y2Ba<的值。05was considered statistically significant, and a 95% CI was provided. All analyses were performed using the R software (version 3.6.1, R Foundation for Statistical Computing).

    道德声明gydF4y2Ba

    首尔大学医院审查委员会批准了这项研究，并放弃了同意的要求。所有方法均按照相关指南和规定进行。gydF4y2Ba


    研究对象特征gydF4y2Ba

    从2016年1月1日到2018年12月31日，共有147865例成人急诊就诊。在排除急诊科到达时心脏骤停或死亡的患者(n=401)、转到其他医院的患者(n=6230)、出院时未完成护理的患者(n=2696)和缺失或无效值的患者(n=58,105)后，本研究共纳入80,433名急诊科成年患者，其中3737名(4.6%)确定为危重监护(gydF4y2Ba图1gydF4y2Ba）.gydF4y2Ba

    ‎gydF4y2Ba
    图1所示。研究人口。急诊科。电子病历。gydF4y2Ba
    查看此图gydF4y2Ba

    本研究的研究人群分为两个样本:(1)训练数据集，包含80%的数据集，有64,346例患者，其中包含3015例(4.7%)重症监护患者;(2)验证数据集，包含剩余20%的数据集，有16,807例患者，其中722例(4.5%)被确定为重症监护患者。训练数据集和验证数据集的特征无显著差异(表S3;gydF4y2Ba多媒体附录1gydF4y2Ba）.gydF4y2Ba

    根据研究结果，ED患者的特征见gydF4y2Ba表1gydF4y2Ba．危重患者更有可能是女性，年龄较大，呼叫EMS，并且患病比例高于未接受危重护理的患者。在有无重症监护的患者中，从ED发作到ED到达的时间间隔无显著差异。两组患者的初始生命体征和意识水平有显著差异。危重患者中最常见的主诉是呼吸困难和发热。重症监护组的KTAS中位数为2分(紧急级别)，非重症监护组的KTAS中位数为3分(紧急级别)。重症监护组患者的急诊科住院时间为6.4小时，非重症监护组为4.0小时(gydF4y2Ba表1gydF4y2Ba）.gydF4y2Ba

    表1。重症监护成人急诊患者的基线特征。gydF4y2Ba
    特征gydF4y2Ba 总(N = 80433)gydF4y2Ba 艾德gydF4y2Ba一个gydF4y2Ba放电(n = 76696)gydF4y2Ba 重症监护(n=3737)gydF4y2Ba PgydF4y2Ba价值gydF4y2Ba
    性别，n (%)gydF4y2Ba ＜.001gydF4y2Ba

    		男性gydF4y2Ba 39210 (48.7)gydF4y2Ba 37010 (48.3)gydF4y2Ba 2200 (58.9)gydF4y2Ba

    		女gydF4y2Ba 41223 (51.3)gydF4y2Ba 39686 (51.7)gydF4y2Ba 1537 (41.1)gydF4y2Ba
    年龄，中位数(IQR)gydF4y2Ba 61.0 (46.0 - -73.0)gydF4y2Ba 61.0 (45.0 - -72.0)gydF4y2Ba 69.0 (58.0 - -77.0)gydF4y2Ba ＜.001gydF4y2Ba
    发作至ED到达间隔(小时)，中位数(IQR)gydF4y2Ba 23.9 (3.8 - -96.0)gydF4y2Ba 23.9 (3.8 - -96.0)gydF4y2Ba 23.1 (4.4 - -95.8)gydF4y2Ba 。gydF4y2Ba
    急诊到达方式(EMSgydF4y2BabgydF4y2Ba使用)，n (%)gydF4y2Ba 19264 (24.0)gydF4y2Ba 17162 (22.4)gydF4y2Ba 2102 (56.2)gydF4y2Ba ＜.001gydF4y2Ba
    急诊科就诊原因，n (%)gydF4y2Ba ＜.001gydF4y2Ba

    		疾病gydF4y2Ba 73645 (91.6)gydF4y2Ba 70021 (91.3)gydF4y2Ba 3624 (97.0)gydF4y2Ba

    		受伤gydF4y2Ba 6788 (8.4)gydF4y2Ba 6675 (8.7)gydF4y2Ba 113 (3.0)gydF4y2Ba
    初始生命体征数据中位数(IQR)gydF4y2Ba

    		SBPgydF4y2BacgydF4y2Ba毫米汞柱,gydF4y2Ba 141.0 (126.0 - -165.0)gydF4y2Ba 142.0 (126.0 - -165.0)gydF4y2Ba 133.0 (113.0 - -160.0)gydF4y2Ba ＜.001gydF4y2Ba

    		菲律宾gydF4y2BadgydF4y2Ba毫米汞柱,gydF4y2Ba 81.0 (72.0 - -92.0)gydF4y2Ba 82.0 (72.0 - -92.0)gydF4y2Ba 75.0 (63.0 - -88.0)gydF4y2Ba ＜.001gydF4y2Ba

    		公关gydF4y2BaegydF4y2Ba次/分钟,gydF4y2Ba 86.0 (74.0 - -101.0)gydF4y2Ba 86.0 (74.0 - -101.0)gydF4y2Ba 94.0 (77.0 - -112.0)gydF4y2Ba ＜.001gydF4y2Ba

    		RRgydF4y2BafgydF4y2Ba次/分钟gydF4y2Ba 18.0 (16.0 - -20.0)gydF4y2Ba 18.0 (16.0 - -20.0)gydF4y2Ba 20.0 (18.0 - -24.0)gydF4y2Ba ＜.001gydF4y2Ba

    		英国电信gydF4y2BaggydF4y2Ba°CgydF4y2Ba 36.5 (36.3 - -36.7)gydF4y2Ba 36.5 (36.3 - -36.7)gydF4y2Ba 36.5 (36.3 - -37.0)gydF4y2Ba ＜.001gydF4y2Ba

    		热点;gydF4y2Ba2gydF4y2BahgydF4y2Ba, %gydF4y2Ba 97.0 (96.0 - -98.0)gydF4y2Ba 97.0 (96.0 - -98.0)gydF4y2Ba 97.0 (94.0 - -98.0)gydF4y2Ba ＜.001gydF4y2Ba
    非警报，n (%)gydF4y2Ba 3592 (4.5)gydF4y2Ba 2858 (3.7)gydF4y2Ba 734 (19.6)gydF4y2Ba ＜.001gydF4y2Ba
    主诉，n (%)gydF4y2Ba ＜.001gydF4y2Ba

    		呼吸困难gydF4y2Ba 7705 (9.6)gydF4y2Ba 6793 (8.9)gydF4y2Ba 912 (24.4)gydF4y2Ba

    		发热gydF4y2Ba 7275 (9.0)gydF4y2Ba 6991 (9.1)gydF4y2Ba 284 (7.6)gydF4y2Ba

    		腹部疼痛gydF4y2Ba 5302 (6.6)gydF4y2Ba 5136 (6.7)gydF4y2Ba 166 (4.4)gydF4y2Ba

    		胸部疼痛gydF4y2Ba 5042 (6.3)gydF4y2Ba 4487 (5.9)gydF4y2Ba 555 (14.9)gydF4y2Ba

    		头晕gydF4y2Ba 3550 (4.4)gydF4y2Ba 3505 (4.6)gydF4y2Ba 45 (1.2)gydF4y2Ba

    		其他人gydF4y2Ba 51559 (64.1)gydF4y2Ba 49784 (64.9)gydF4y2Ba 1775 (47.5)gydF4y2Ba
    KTASgydF4y2Ba我gydF4y2Ba水平，n (%)gydF4y2Ba ＜.001gydF4y2Ba

    		1:复苏gydF4y2Ba 870 (1.1)gydF4y2Ba 404 (0.5)gydF4y2Ba 466 (12.5)gydF4y2Ba

    		2:紧急gydF4y2Ba 12646 (15.7)gydF4y2Ba 10692 (13.9)gydF4y2Ba 1954 (52.3)gydF4y2Ba

    		3:紧急gydF4y2Ba 47977 (59.6)gydF4y2Ba 46702 (60.9)gydF4y2Ba 1275 (34.1)gydF4y2Ba

    		4 .不那么紧急gydF4y2Ba 16637 (20.7)gydF4y2Ba 16599 (21.6)gydF4y2Ba 38 (1.0)gydF4y2Ba

    		5: NonurgentgydF4y2Ba 2303 (2.9)gydF4y2Ba 2299 (3.0)gydF4y2Ba 4 (0.1)gydF4y2Ba
    埃德•洛gydF4y2BajgydF4y2Ba(小时)，中位数(IQR)gydF4y2Ba 4.1 (2.4 - -7.3)gydF4y2Ba 4.0 (2.4 - -7.2)gydF4y2Ba 6.4 (3.7 - -10.4)gydF4y2Ba ＜.001gydF4y2Ba
    ED配置，n (%)gydF4y2Ba ＜.001gydF4y2Ba

    		ED放电gydF4y2Ba 57014 (70.9)gydF4y2Ba 57014 (74.3)gydF4y2Ba 0 (0.0)gydF4y2Ba

    		沃德承认gydF4y2Ba 19123 (23.8)gydF4y2Ba 18630 (24.3)gydF4y2Ba 493 (13.2)gydF4y2Ba

    		加护病房gydF4y2BakgydF4y2Ba入学gydF4y2Ba 3170 (3.9)gydF4y2Ba 0 (0.0)gydF4y2Ba 3170 (84.8)gydF4y2Ba

    		或gydF4y2BalgydF4y2Ba入学gydF4y2Ba 1080 (1.3)gydF4y2Ba 1052 (1.4)gydF4y2Ba 28日(0.7)gydF4y2Ba

    		ED死亡率gydF4y2Ba 46 (0.1)gydF4y2Ba 0 (0.0)gydF4y2Ba 46 (1.2)gydF4y2Ba
    住院死亡率，n (%)gydF4y2Ba 804 (1.0)gydF4y2Ba 0 (0.0)gydF4y2Ba 804 (21.5)gydF4y2Ba ＜.001gydF4y2Ba

    一个gydF4y2Ba急诊科。gydF4y2Ba

    bgydF4y2BaEMS:紧急医疗服务。gydF4y2Ba

    cgydF4y2Ba收缩压:收缩压。gydF4y2Ba

    dgydF4y2BaDBP:舒张压。gydF4y2Ba

    egydF4y2BaPR:脉搏率。gydF4y2Ba

    fgydF4y2BaRR:呼吸频率。gydF4y2Ba

    ggydF4y2BaBT:体温。gydF4y2Ba

    hgydF4y2Ba热点;gydF4y2Ba2gydF4y2Ba:氧饱和度。gydF4y2Ba

    我gydF4y2BaKTAS:韩式分诊和急症量表。gydF4y2Ba

    jgydF4y2BaLOS:停留时间。gydF4y2Ba

    kgydF4y2BaICU:重症监护病房。gydF4y2Ba

    lgydF4y2Ba手术室:手术室。gydF4y2Ba

    主要分析gydF4y2Ba

    验证数据集的分类结果见gydF4y2Ba表2gydF4y2Ba．以KTAS为单一变量的基线模型的判别能力最低，AUROC为0.796 (95% CI 0.781-0.811)，机器学习模型的判别能力更高。在使用分诊信息、年龄、性别、ED到达方式、ED到达时间间隔、ED就诊原因、主诉、6项生命体征测量值和意识水平时，验证数据集的XGB算法的AUROC为0.861 (95% CI 0.848-0.874)，高于DNN算法的0.833 (95% CI 0.819-0.848)。与具有正NRI的参考模型相比，机器学习模型取得了更高的重分类改进gydF4y2Ba(P . 05)。作为gydF4y2Ba图2gydF4y2Ba如图所示，具有完整变量集的模型与基线模型之间的auroc有显著差异。(DeLong对验证数据集的测试:gydF4y2BaPgydF4y2Ba< 0.05) XGB模型显示出良好的校准(验证数据集的Hosmer-Lemeshow检验:gydF4y2BaPgydF4y2Ba>.05)， DNN模型的校准较差gydF4y2BaPgydF4y2Ba<措施。验证数据集上的标定图见gydF4y2Ba图3gydF4y2Ba．我们选择XGB模型作为本研究的最终模型，考虑了判别、净重分类和校准。gydF4y2Ba

    验证队列的预测性能指标，包括敏感性、特异性、PPV和NPV，见gydF4y2Ba表3gydF4y2Ba．XGB和DNN模型的灵敏度为0.85，高于基线模型(0.65,95% CI为0.61-0.68)，截止值为KTAS 2。作为权衡，使用单一KTAS变量的传统模型的特异性为0.85 (95% CI 0.84-0.86)，高于XGB模型的特异性0.71 (95% CI 0.70-0.72)和DNN模型的特异性0.64 (95% CI 0.64-0.65)。由于重症监护结果的发生率较低，所有模型均具有较高的NPV, 95% CI范围为0.98至0.99。gydF4y2Ba

    按KTAS水平划分的实际及预测结果数目载于gydF4y2Ba表4gydF4y2Ba．对于验证数据集，基线模型正确地识别出469名在分诊级别1和2中需要重症监护的患者，占所有重症监护结果的65.0%。然而，在这些高敏度类别中，它对2296名患者进行了过度分类。使用单一KTAS变量的传统模型低估了35%需要重症监护的患者，无法预测3至5级分诊的所有重症监护结果(253例)。与基线模型相比，XGB模型将KTAS 1级和2级的假阳性病例从2296例减少到1533例，将KTAS 3级到5级的假阴性病例从253例减少到80例。gydF4y2Ba

    表2。验证队列重症监护结果预测模型的区分、重新分类和校准。gydF4y2Ba
    模型gydF4y2Ba 歧视gydF4y2Ba 重新分类gydF4y2Ba 校准gydF4y2Ba

    		AUROCgydF4y2Ba一个gydF4y2Ba(95%置信区间)gydF4y2Ba PgydF4y2Ba价值gydF4y2BabgydF4y2Ba 个新名词gydF4y2BacgydF4y2Ba(95%置信区间)gydF4y2Ba PgydF4y2Ba价值gydF4y2Ba h lgydF4y2BadgydF4y2Ba测试中,gydF4y2BaPgydF4y2Ba价值gydF4y2Ba
    KTASgydF4y2BaegydF4y2Ba 0.796 (0.781 - -0.811)gydF4y2Ba 参考gydF4y2Ba 参考gydF4y2Ba 参考gydF4y2Ba .80gydF4y2Ba
    XGBgydF4y2BafgydF4y2Ba 0.861 (0.848 - -0.874)gydF4y2Ba ＜.001gydF4y2Ba 0.293 (0.219 - -0.366)gydF4y2Ba ＜.001gydF4y2Ba 。gydF4y2Ba
    款gydF4y2BaggydF4y2Ba 0.833 (0.819 - -0.848)gydF4y2Ba ＜.001gydF4y2Ba 0.032 (0.024 - -0.041)gydF4y2Ba ＜.001gydF4y2Ba ＜.001gydF4y2Ba

    一个gydF4y2BaAUROC:接收机工作特性下的面积。gydF4y2Ba

    bgydF4y2BaPgydF4y2BaAUROC值采用DeLong检验法计算。gydF4y2Ba

    cgydF4y2BaNRI:净重分类指数。gydF4y2Ba

    dgydF4y2Ba霍斯默-莱梅索测验。gydF4y2Ba

    egydF4y2BaKTAS:韩式分诊和急症量表。gydF4y2Ba

    fgydF4y2BaXGB:极端梯度增强。gydF4y2Ba

    ggydF4y2BaDNN:深度神经网络。gydF4y2Ba
    ‎gydF4y2Ba
    图2。验证数据集的接收器工作特性曲线下的面积。DNN:深度神经网络;KTAS:韩式分诊和急症量表XGB:极端梯度增强。gydF4y2Ba
    查看此图gydF4y2Ba
    ‎gydF4y2Ba
    图3。验证数据集的校准图。DNN:深度神经网络;H-L检验:Hosmer-Lemeshow检验;KTAS:韩式分诊和急症量表XGB:极端梯度增强。观察到的95% CI的重症监护概率与预测概率以10%的间隔绘制。对角线表示理想，表示完美的预测。点大小表示每个bin中观测值的相对数量。gydF4y2Ba
    查看此图gydF4y2Ba
    表3。重症监护结局预测模型在验证队列中的表现。gydF4y2Ba
    模型gydF4y2Ba 信用评分底线gydF4y2Ba TPgydF4y2Ba一个gydF4y2Ba 《外交政策》gydF4y2BabgydF4y2Ba TNgydF4y2BacgydF4y2Ba FNgydF4y2BadgydF4y2Ba 灵敏度(95% CI)gydF4y2Ba 特异性(95% CI)gydF4y2Ba PPVgydF4y2BaegydF4y2Ba(95%置信区间)gydF4y2Ba 净现值gydF4y2BafgydF4y2Ba(95%置信区间)gydF4y2Ba
    基线KTASgydF4y2BaggydF4y2Ba 0.156gydF4y2BahgydF4y2Ba 469gydF4y2Ba 2296gydF4y2Ba 13069年gydF4y2Ba 253gydF4y2Ba 0.65 (0.61 - -0.68)gydF4y2Ba 0.85 (0.84 - -0.86)gydF4y2Ba 0.17 (0.16 - -0.18)gydF4y2Ba 0.98 (0.98 - -0.98)gydF4y2Ba
    XGBgydF4y2Ba我gydF4y2Ba 0.036gydF4y2Ba 616gydF4y2Ba 4476gydF4y2Ba 10889年gydF4y2Ba 106gydF4y2Ba 0.85 (0.83 - -0.88)gydF4y2Ba 0.71 (0.70 - -0.72)gydF4y2Ba 0.12 (0.11 - -0.13)gydF4y2Ba 0.99 (0.99 - -0.99)gydF4y2Ba
    款gydF4y2BajgydF4y2Ba 0.444gydF4y2Ba 614gydF4y2Ba 5475gydF4y2Ba 9890gydF4y2Ba 108gydF4y2Ba 0.85 (0.82 - -0.88)gydF4y2Ba 0.64 (0.64 - -0.65)gydF4y2Ba 0.10 (0.09 - -0.11)gydF4y2Ba 0.99 (0.99 - -0.99)gydF4y2Ba

    一个gydF4y2BaTP:真正的积极。gydF4y2Ba

    bgydF4y2BaFP:假阳性。gydF4y2Ba

    cgydF4y2BaTN:真正的否定。gydF4y2Ba

    dgydF4y2BaFN:假阴性。gydF4y2Ba

    egydF4y2BaPPV:阳性预测值。gydF4y2Ba

    fgydF4y2BaNPV:负的预测值。gydF4y2Ba

    ggydF4y2BaKTAS:韩式分诊和急症量表。gydF4y2Ba

    hgydF4y2Ba经logistic回归，基线模型的截止概率为0.156，对应的KTAS评分为2。gydF4y2Ba

    我gydF4y2BaXGB:极端梯度增强。gydF4y2Ba

    jgydF4y2BaDNN:深度神经网络。gydF4y2Ba
    表4。不同KTAS水平的验证队列预测模型的性能比较。gydF4y2Ba
    KTASgydF4y2Ba一个gydF4y2Ba水平gydF4y2Ba 实际重症监护，n (%)gydF4y2Ba 基准模型gydF4y2Ba XGBgydF4y2BabgydF4y2Ba模型gydF4y2Ba


    		TPgydF4y2BacgydF4y2Ba 《外交政策》gydF4y2BadgydF4y2Ba TNgydF4y2BaegydF4y2Ba FNgydF4y2BafgydF4y2Ba TPgydF4y2Ba 《外交政策》gydF4y2Ba TNgydF4y2Ba FNgydF4y2Ba
    1:复苏(n=178, 1.1%)gydF4y2Ba 98 (13.6)gydF4y2Ba 98gydF4y2Ba 80gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 96gydF4y2Ba 77gydF4y2Ba 3.gydF4y2Ba 2gydF4y2Ba
    2 .紧急(n=2587, 16.1%)gydF4y2Ba 371 (51.4)gydF4y2Ba 371gydF4y2Ba 2216gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 347gydF4y2Ba 1456gydF4y2Ba 760gydF4y2Ba 24gydF4y2Ba
    3:紧急(n=9559, 59.4%)gydF4y2Ba 244 (33.8)gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 9315gydF4y2Ba 244gydF4y2Ba 170gydF4y2Ba 2622gydF4y2Ba 6693gydF4y2Ba 74gydF4y2Ba
    4:不太紧急(n=3312, 20.6%)gydF4y2Ba 9 (1.2)gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 3303gydF4y2Ba 9gydF4y2Ba 3.gydF4y2Ba 297gydF4y2Ba 3006gydF4y2Ba 6gydF4y2Ba
    5:不紧急(n=451, 2.8%)gydF4y2Ba 0 (0.0)gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 451gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 24gydF4y2Ba 427gydF4y2Ba 0gydF4y2Ba
    总数(n= 16086, 100%)gydF4y2Ba 722 (100)gydF4y2Ba 469gydF4y2Ba 2296gydF4y2Ba 13069年gydF4y2Ba 253gydF4y2Ba 616gydF4y2Ba 4476gydF4y2Ba 10889年gydF4y2Ba 106gydF4y2Ba

    一个gydF4y2BaKTAS:韩式分诊和急症量表。gydF4y2Ba

    bgydF4y2BaXGB:极端梯度增强。gydF4y2Ba

    cgydF4y2BaTP:真正的积极。gydF4y2Ba

    dgydF4y2BaFP:假阳性。gydF4y2Ba

    egydF4y2BaTN:真正的否定。gydF4y2Ba

    fgydF4y2BaFN:假阴性。gydF4y2Ba

    变量重要性和部分依赖性图gydF4y2Ba

    我们计算了XGB和DNN模型中基于排列的变量重要性gydF4y2Ba图4gydF4y2Ba．被列为最优先级的变量是XGB模型的主要抱怨和DNN模型的EMS使用。尽管XGB和DNN模型之间的变量重要性排名不同，但列表中较高的变量，包括主要投诉、EMS使用、年龄、AVPU、PR和RR，是相同的。gydF4y2Ba

    对于定义为最终预测模型的XGB模型，每个变量与验证数据集的预测结果之间的关系见gydF4y2Ba图5gydF4y2Ba．PDP显示了单个变量对预测结果的边际效应。PDP上y轴的值为重症监护的预测概率。所有生命体征变量对关键结果预测的非线性关联被证明。年龄，RR和SpOgydF4y2Ba2gydF4y2Ba我们在XGB模型中发现危重监护预测模式，表明年龄越大，RR越高，SpO越低，被归类为危重监护患者的概率越高gydF4y2Ba2gydF4y2Ba．对于收缩压、舒张压和PR，我们观察到每个生命体征与危重监护预测之间呈u型关系。gydF4y2Ba

    ‎gydF4y2Ba
    图4。功能的重要性。时间间隔是指从发作到ED到达之间的时间。AUROC:受者工作特性曲线下面积;AVPU:警觉、言语、痛苦、无反应;BT:体温;DBP:舒张压;DNN:深度神经网络;ED:急诊科;EMS:紧急医疗服务; PR: pulse rate; RR: respiratory rate; SBP: systolic blood pressure; SpO2gydF4y2Ba:氧饱和度;XGB:极端梯度增强。gydF4y2Ba
    查看此图gydF4y2Ba
    ‎gydF4y2Ba
    图5。偏相关图。A.性别，B.年龄，C. ED发生与到达时间间隔，D. EMS使用情况，E. ED就诊原因，F. SBP, G. DBP, H. PR, I. RR, J. BT, K. SpOgydF4y2Ba2gydF4y2Ba， L. AVPU和M.主诉。偏相关图显示单个变量对预测结果的边际效应;y轴的值是重症监护的预测概率。AVPU:警觉、言语、疼痛、无反应;BT:体温;DBP:舒张压;ED:急诊科;PR:脉搏率;RR:呼吸速率;SBP:收缩压; SpO2gydF4y2Ba:氧饱和度;XGB:极端梯度增强。gydF4y2Ba
    查看此图gydF4y2Ba

    主要研究结果gydF4y2Ba

    本研究基于80,433例成人急诊科患者的数据，采用XGB和DNN两种现代机器学习方法对常规收集的分诊信息(年龄、性别、急诊科到达方式、起诊至急诊科到达时间间隔、急诊科就诊原因、主诉、6个生命体征、急诊科住院时间)进行分析。与使用KTAS的传统基线模型(AUROC 0.796)相比，该预测模型在验证队列和净重分类方面的AUROC为0.833至0.861，表现出优越的判别性能。XGB模型比DNN模型具有更好的鉴别能力(AUROC为0.861)。我们发现XGB模型在预测重症监护结果方面校准良好(Hosmer-Lemeshow检验;gydF4y2BaPgydF4y2Ba> . 05)。gydF4y2Ba

    本研究的目的是在急诊科分诊阶段准确区分高危患者和不太紧急的患者。对重症患者的快速评估和急诊科护理对于最大化临床结果至关重要，为分诊时的预测提供了强有力的依据[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba42gydF4y2Ba]。先前的研究已经证明，目前的五级分诊系统(如ESI、MTS和KTAS)在识别高风险患者、低分级间一致性和同一分诊级别内的高可变性方面的能力不佳。gydF4y2Ba4gydF4y2Ba，gydF4y2Ba6gydF4y2Ba-gydF4y2Ba10gydF4y2Ba]。因此，研究人员研究了包含人口统计学变量、急诊科到达模式、主诉和从分诊信息中提取的生命体征的机器学习模型，以支持急诊科临床医生准确、快速的决策。这项研究是对早期研究的延伸。基于XGB算法的重症监护结果预测的判别性能增益，该算法在处理变量与预测结果之间的非线性相互作用方面具有优势。gydF4y2Ba

    在本研究中，大量(85.5%)不需要重症监护的患者被划分为KTAS 3 - 5级(占总人数的83.2%)，而大多数(64.8%)危重患者组被划分为KTAS 1 - 2级(占总人数的16.8%)。我们证明，XGB模型正确地检测出了在基线模型中被划分为低视力KTAS水平3至5的危重患者。减少假阴性病例的能力为在急诊科分诊中采用机器学习算法模型提供了强有力的理由，在急诊科分诊中，准确快速地识别高风险患者是至关重要的。此外，我们观察到XGB模型减少了假阳性病例的数量，这些病例在基线模型中被过度分类为高视力水平1到2，这可能会防止ED实践中过度利用资源。gydF4y2Ba

    本研究证明了XGB模型预测的危重症发生概率与观察到的危重症发生比例吻合。中的校准图gydF4y2Ba图3gydF4y2Ba可视化了XGB模型的预测概率是如何校准的。尽管校准在预测模型中对支持临床医生决策很重要，但系统综述发现，校准的评估远远少于歧视[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba]，这是有问题的，因为校准不当会使预测具有误导性[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]。机器学习算法容易出现过拟合[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba43gydF4y2Ba]。由于过拟合，大多数机器学习算法，特别是神经网络，在使用新数据进行验证时，会产生较差的校准[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba44gydF4y2Ba，gydF4y2Ba45gydF4y2Ba]。然而，XGB通过在目标函数中嵌入正则化项来控制模型复杂度，以避免过拟合[gydF4y2Ba40gydF4y2Ba，gydF4y2Ba46gydF4y2Ba，gydF4y2Ba47gydF4y2Ba]。我们的研究结果表明，XGB模型预测ED高危患者的概率是可靠的。gydF4y2Ba

    解释块盒机器学习的预测已经成为重点。对于模型的全局解释，我们可视化了使用pdp预测危重患者时变量与结果之间的非线性关系(gydF4y2Ba图5gydF4y2Ba）.XGB算法解释说，平均而言，较高的RR和较低的SpOgydF4y2Ba2gydF4y2Ba与重症监护结果的高概率相关，收缩压、舒张压和PR与结果之间存在u型关系。XGB模型的解释清晰地反映了生命体征特征，符合医学知识。有几种解释技术用于全局和局部级别的机器学习解释。未来对机器学习算法预测的多层次解释的研究是有必要的。gydF4y2Ba

    利用分诊信息和XGB算法，本研究中用于预测高危患者的人工智能模型可以在不增加额外负担的情况下在急诊科环境中实施，可以支持临床医生在急诊科分诊早期做出及时准确的决策，从而改善患者的健康结局，并有助于有效的急诊科资源配置。gydF4y2Ba

    限制gydF4y2Ba

    这项研究有几个局限性。首先，我们使用的数据来自一个三级护理大学医院的单一急诊科;因此，需要外部验证来推广结果。其次，该研究没有解决如何将预测模型部署到临床途径中;因此，未来的研究应用预测模型在分诊是必要的。gydF4y2Ba

    结论gydF4y2Ba

    该研究表明，与传统的KTAS方法相比，使用在急诊科常规收集的初始分类信息，机器学习模型提高了在预测急诊科需要重症监护的患者时的区分和净重分类。此外，我们证明了XGB模型可以很好地校准并解释符合医学知识的生命体征预测因子的非线性特征。gydF4y2Ba

    作者的贡献gydF4y2Ba

    HY设计了研究，制定并实施了建模方法，分析了建模结果，并起草了原始稿件。JHP为数据解释和手稿的最终起草做出了贡献。JC监督了模型的开发和评估，并参与了手稿的最终起草。gydF4y2Ba

    利益冲突gydF4y2Ba

    没有宣布。gydF4y2Ba

    ‎gydF4y2Ba
    多媒体附录1gydF4y2Ba

    补充文件包括(1)急诊科临床结局预测的变量描述，(2)超参数优化，(3)训练数据集和验证数据集之间研究人群基线特征的比较。gydF4y2Ba

    DOCX文件，30kbgydF4y2Ba
    1. 张建军，张建军，李建军，等。急诊拥挤的成因、后果及对策研究。科学通报，2018;13(8):e0203316 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    2. 张建军，张建军，张建军，张建军。急诊分诊系统的性能:系统回顾和荟萃分析。BMJ Open 2019 May 28;9(5):e026471 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    3. 刘建军，刘建军，刘建军，等。基于数据挖掘的急诊住院率预测方法。IEEE Access 2018;6:10458-10469。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    4. Dugas AF, Kirsch TD, Toerper M, Korley F, yeokyan G, France D，等。一个电子紧急分类系统，以改善病人分配的关键结果。中华检验医学杂志;2016;30(6):910-918。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    5. Fernandes M, Vieira SM, Leite F, Palos C, Finkelstein S, Sousa JM。应用智能系统的急诊科分诊临床决策支持系统综述[j] .中国生物医学工程学报，2011;22(2):391 - 391。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    6. Fernandes M, Mendes R, Vieira SM, Leite F, Palos C, Johnson A，等。使用机器学习和自然语言处理预测急诊科患者的重症监护病房入住情况。PLoS One 2020 Mar 3;15(3):e0229331 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    7. Levin S, Toerper M, Hamrock E, Hinson JS, Barnes S, Gardner H，等。与急诊严重程度指数相比，基于机器学习的电子分诊更准确地区分患者的临床结果。中国生物医学工程学报，2018;31(5):565-574。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    8. Fernandes M, Mendes R, Vieira SM, Leite F, Palos C, Johnson A，等。使用机器学习和自然语言处理的急诊科危重患者的死亡和心肺骤停风险PLoS One 2020 Apr;15(4):e0230876 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    9. Raita Y, Goto T, Faridi MK, Brown DFM, Camargo CA, Hasegawa K.基于机器学习模型的急诊科分类预测临床结果。重症监护2019年3月22日;23(1):64 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    10. 张建军，张建军，张建军，等。基于机器学习的慢性阻塞性肺疾病急性发作预测方法研究[J] .中华医学杂志，2018,36(9):1245 - 1245。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    11. 蔡绍文，高涛，洪建军，金健。基于机器学习的韩语急诊科患者分诊和急性程度预测。卫生通报，2019 Oct;25(4):305-312 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    12. 权健，李勇，李勇，李胜，Park H, Park J.基于深度学习的分类和敏锐度评分验证。PLoS One 2018 Oct 15;13(10):e0205836 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    13. 李建辉，朴永祥，朴智民，李洪生，金建辉，朴建民，等。在韩国分诊和敏锐度量表(KTAS)中，如果考虑到患者的疼痛程度，就会出现过度分诊的情况。PLoS One 2019 5月9日;14(5):e0216519 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    14. Lundberg SM, Nair B, Vavilala MS, horbe M, isses MJ, Adams T，等。手术期间预防低氧血症的可解释的机器学习预测。生物医学工程学报，2018;2(10):749-760 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    15. Elshawi R, Al-Mallah MH, Sakr S.基于机器学习的高血压预测模型的可解释性研究。中国医学杂志2019年7月29日;19(1):146 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    16. Mahmoudi E, Kamdar N, Kim N, Gonzales G, Singh K, Waljee AK。电子病历在医院再入院风险预测模型开发和验证中的应用:系统回顾中国医学杂志2020年4月08日;369:958 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    17. Rahimian F, Salimi-Khorshidi G, Payberah AH, Tran J, Ayala Solares R, Raimondi F，等。用机器学习预测急诊入院风险:使用关联电子健康记录的开发和验证。PLoS Med 2018; 11 (11):e1002695 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    18. 李建军，李建军，李建军，等。基于机器学习的儿童急诊分诊预后预测方法。JAMA网络开放2019年1月04日;2(1):e186937 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    19. Hong WS, Haimovich AD, Taylor RA。使用机器学习预测急诊科分诊的住院情况。科学通报，2018;13(7):e0201016 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    20. Zlotnik A, Alfaro MC, psamez MCP, Gallardo-Antolín A, Martínez JMM。基于曼彻斯特分诊系统和行政登记变量的住院预测决策支持系统构建计算机信息护理2016;34(5):224-230。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    21. Alba AC, Agoritsas T, Walsh M, Hanna S, Iorio A, Devereaux PJ，等。临床预测模型的鉴别与校正:医学文献用户指南。中国医学杂志2017年10月10日;318(14):1377-1384。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    22. 刘建军，刘建军，刘建军，等。基于ABCD的临床预测模型研究进展。欧洲心脏杂志，2014;35(29):1925-1931 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    23. Steyerberg E, Vickers AJ, Cook NR, Gerds T, Gonen M, Obuchowski N，等。评估预测模型的性能:传统和新措施的框架。流行病学2010,21(1):128-138 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    24. Van Calster B, McLernon DJ, Van Smeden M, Wynants L, Steyerberg EW, Topic Group“评估STRATOS计划的诊断测试预测模型”。校准:预测分析的致命弱点。中华医学杂志2019 Dec 16;17(1):230 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    25. Christodoulou E, Ma J, Collins GS, Steyerberg EW, Verbakel JY, Van Calster B.一项系统评价显示机器学习在临床预测模型中的性能优于逻辑回归。中华流行病学杂志，2019;11(1):12-22。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    26. Wessler BS, Paulus J, Lundquist CM, Ajlan M, Natto Z, james WA，等。Tufts PACE临床预测模型注册表:更新1990年至2015年。诊断方案2017 12月21日;1(1):20 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    27. Collins GS, de Groot JA, Dutton S, Omar O, Shanyinde M, Tajar A，等。多变量预测模型的外部验证:对方法学行为和报告的系统回顾。中国医学杂志2014年3月19日;14(1):40 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    28. 范卡斯特B，维克斯AJ。风险预测模型的校正:对决策分析绩效的影响。医学诊断，2015;35(2):162-169。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    29. 临床医生想要什么:临床最终使用的情境化可解释机器学习。第四届医疗保健机器学习会议论文集，PMLR, 2019;106:359-380 [j]gydF4y2Ba免费全文gydF4y2Ba］gydF4y2Ba
    30. 王强，王志强。XGBoost模型在慢性肾脏病诊断中的应用。[j] .计算机科学与工程学报，2016,33(6):1181 - 1181。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    31. 黄忠，胡超，迟晨，蒋忠，佟勇，赵晨。基于XGBoost算法的非小细胞肺癌骨转移患者1年生存率预测模型。生物医学进展[j]; 2011; 26 (2): 362 - 362 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    32. Spangler D, Hermansson T, Smekal D, Blomberg H.院前环境中基于机器学习的风险评分的验证。PLoS One 2019 Dec 13;14(12):e0226518 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    33. 侯超，钟翔，何鹏，徐斌，刁松，易峰，等。使用机器学习技术预测中国女性乳腺癌:算法开发。中华医学杂志，2020;8(6):e17364 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    34. 黄颖，李伟，Macheret F, Gabriel RA, Ohno-Machado L.临床预测模型的校准测量和校准模型。医学信息学报，2020,01;27(4):621-633 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    35. 李建军，李建军，李建军，等。解释电子健康记录中对患者结果的机器学习预测。中国生物医学工程学报，2019;19 (2):572-581 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    36. 周伟，王勇，顾鑫，冯志，李坤，彭勇，等。一般肥胖、内脏肥胖和生命体征在使用机器学习预测血液生物标志物中的重要性。国际临床医学杂志，2021年1月26日;75(1):e13664。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    37. Muhlestein W, Akagi D, Kallos J, Morone P, Weaver K, Thompson R，等。使用引导机器学习集成模型预测脑膜瘤切除术后的出院倾向。中华神经外科杂志[J]; 2018; 31 (2): 391 - 391 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    38. Gómez-Ramírez J， Ávila-Villanueva M, Fernández-Blázquez MA。选择最重要的自我评估特征预测转换为轻度认知障碍随机森林和基于排列的方法。科学通报2020 11月26日;10(1):20630 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    39. 李建军，李建军，李建军，李建军，等。神经影像学数据对精神病患者再犯预测的影响。PLoS One 2019 May 16;14(5):e0217127 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    40. 李建军，王志军，王志军，等。基于梯度加速法预测煤混合料结块性能的实验研究。生物质化学工程学报(自然科学版);2009;26(6):591 - 591。［gydF4y2BaCrossRefgydF4y2Ba］gydF4y2Ba
    41. 李建军，李建军，李建军，等。用机器学习方法探索颞中位癫痫患者的认知特征。神经心理学杂志;2010;42 (2):1044 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    42. 李建军，吴平，李建军，李建军，等。跨部门护理模式加快从急诊科到医学ICU的入院。中华检验医学杂志，2015;41(12):542-549。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    43. 张震，何明明，洪宇。机器学习预测少尿急性肾损伤危重监护患者容量反应性。重症监护2019年05月08日;23(1):112 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    44. Kull M, Perello-Nieto M, Kängsepp M, Silva Filho T, Song H, Flach P.超越温度标度:用Dirichlet校准获得校准良好的多类概率。见:神经信息处理系统进展32 (NeurIPS 2019)。2019年发表于:第三十三届神经信息处理系统会议;2019年12月8日至14日;温哥华，加拿大gydF4y2Bahttps://proceedings.neurips.cc/paper/2019gydF4y2Ba
    45. 郭晨。现代神经网络的标定。见:第34届机器学习国际会议论文集，机器学习研究论文集70:PMLR, 2017。2017年发表于:国际机器学习会议;2017年8月6日至11日;悉尼，澳大利亚，1321-1330页gydF4y2Bahttps://proceedings.mlr.press/v70/guo17a.htmlgydF4y2Ba
    46. 做DT，乐NQK。利用极端梯度增强技术通过杂交特征识别酿酒酵母的复制起源。中国生物医学工程学报(英文版);2009;31(3):445- 451。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba
    47. 吴婷，陈海，周敏，陈艳，常涛，陆晨。基于机器学习的评估局部使用阿托品控制近视对眼压的影响。中华临床医学杂志2020年12月30日;10(1):111 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba］gydF4y2Ba

    ‎gydF4y2Ba
    AUROC:gydF4y2Ba接收机工作特性下的面积gydF4y2Ba
    AVPU:gydF4y2Ba警觉的，言语的，痛苦的，没有反应的gydF4y2Ba
    英国电信(BT):gydF4y2Ba体温gydF4y2Ba
    商品交易顾问基金:gydF4y2Ba加拿大分诊和视力分级表gydF4y2Ba
    菲律宾:gydF4y2Ba舒张压gydF4y2Ba
    款:gydF4y2Ba深度神经网络gydF4y2Ba
    艾德:gydF4y2Ba急诊科gydF4y2Ba
    应急服务国际公司:gydF4y2Ba紧急程度指数gydF4y2Ba
    加护病房:gydF4y2Ba加护病房gydF4y2Ba
    KTAS:gydF4y2Ba韩国分诊和急症量表gydF4y2Ba
    MTS:gydF4y2Ba曼彻斯特分诊系统gydF4y2Ba
    净现值:gydF4y2Ba负预测值gydF4y2Ba
    个新名词:gydF4y2Ba净重分类指数gydF4y2Ba
    PDP:gydF4y2Ba部分相关图gydF4y2Ba
    PPV:gydF4y2Ba阳性预测值gydF4y2Ba
    公关:gydF4y2Ba脉冲重复频率gydF4y2Ba
    RR:gydF4y2Ba呼吸速率gydF4y2Ba
    SBP:gydF4y2Ba收缩压gydF4y2Ba
    XGB:gydF4y2Ba极端梯度增压gydF4y2Ba

    G·艾森巴赫编辑;提交28.05.21;由T Goto同行评审;对作者的评论18.06.21;修订版收到27.06.21;接受27.07.21;发表20.09.21gydF4y2Ba

    版权gydF4y2Ba

    ©Hyoungju Yun, Jinwook Choi, Jeong Ho Park最初发表于JMIR医学信息学(https://medinform.www.mybigtv.com)， 2021年9月20日。gydF4y2Ba

    这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品(首次发表在JMIR Medical Informatics上)被适当引用。必须包括完整的书目信息，到https://medinform.www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。gydF4y2Ba
    Baidu
    map