文献速递儿科与产科急症重症综合管理与镇静镇痛

基于机器学习的儿童急诊分诊临床结局预测

Machine Learning-Based Prediction of Clinical Outcomes for Children During Emergency Department Triage.
PubMed 文献 · JAMA Netw Open · 2019-01-04
一句话结论基于分诊时常规数据的机器学习模型预测儿童危重症与住院的判别能力优于传统分诊,可减少危重患儿分诊不足和轻症患儿分诊过度。

该预后研究分析2007年1月1日至2015年12月31日美国全国医院门诊医疗调查中52037例次18岁及以下儿童急诊就诊数据,以分诊时常规可用数据(人口学特征、生命体征、就诊原因、到达方式、72小时内急诊就诊、合并症)为预测因子,在70%训练集中构建lasso回归、随机森林、梯度提升决策树和深度神经网络4种机器学习模型,在30%测试集中比较其预测危重症(ICU入住和/或院内死亡)和住院(直接入院或转院)的能力。危重症预测中机器学习模型C统计量高于参考模型但差异未达统计学显著(如深度神经网络0.85 vs 参考0.78,P=0.16),并减少了传统分诊3至5级中危重患儿的分诊不足;住院预测中机器学习模型判别能力显著更高(如深度神经网络C统计量0.80 vs 参考0.73,P<0.001),并减少了传统分诊1至3级中无需住院患儿的分诊过度。决策曲线分析显示机器学习模型在较宽临床阈值范围内净获益更大。作者认为机器学习分诊作为辅助技术可能改善临床医生分诊决策,但尚需外部前瞻性验证。

要点

  • 在52037例次儿童急诊就诊中,危重症结局163例(0.3%),住院结局2352例(4.5%)。
  • 危重症预测:深度神经网络C统计量0.85(95%CI 0.78-0.92)vs 参考模型0.78(95%CI 0.71-0.85),P=0.16,差异未达统计学显著。
  • 危重症预测敏感性:参考模型0.54(95%CI 0.39-0.69)vs 深度神经网络0.78(95%CI 0.63-0.90);机器学习模型正确识别传统分诊3至5级中47.3%至68.4%的危重患儿。
  • 住院预测:深度神经网络C统计量0.80(95%CI 0.78-0.81)vs 参考模型0.73(95%CI 0.71-0.75),P<0.001,特异性更高(lasso回归0.75 vs 参考0.55,P<0.001)。
  • 决策曲线分析显示机器学习模型在较宽阈值概率范围内净获益大于参考模型;年龄、氧饱和度和呼吸频率、救护车到达为重要预测因子。

适用人群与场景

  • 18岁及以下儿童急诊就诊者,数据来自美国全国医院门诊医疗调查2007年1月1日至2015年12月31日。
  • 排除无分诊分类信息、到达急诊时已死亡、未就诊即离开或违背医嘱离开、以及数据不一致(收缩压>300 mm Hg、舒张压>200 mm Hg、脉率>300次/分、呼吸频率>80次/分或氧饱和度>100%)的就诊。

诊断标准与关键阈值

  • 危重症结局定义为直接入住ICU和/或院内死亡。
  • 住院结局定义为入住住院治疗场所或直接转至急性照护医院。
  • 传统分诊分类采用5级系统:1级立即、2级紧急、3级急迫、4级半急迫、5级非急迫;7%的急诊科使用其他系统,由CDC系统重编码为5级系统。

研究设计与关键结果

  • 预后研究,分析美国全国医院门诊医疗调查2007年1月1日至2015年12月31日52037例次儿童急诊就诊(中位年龄6岁,四分位间距2-14岁;女性24929例,48.0%)。
  • 危重症结局163例(0.3%);参考模型C统计量0.78(95%CI 0.71-0.85),随机森林0.85(95%CI 0.79-0.91,P=0.07),深度神经网络0.85(95%CI 0.78-0.92,P=0.16),差异均未达统计学显著。
  • 危重症预测敏感性:参考模型0.54(95%CI 0.39-0.69)vs 深度神经网络0.78(95%CI 0.63-0.90);参考模型特异性0.91(95%CI 0.75-0.93)高于lasso回归0.86(95%CI 0.69-0.96)。
  • 危重症预测阳性预测值所有模型均为0.01(95%CI 0.01-0.02),阴性预测值所有模型均为0.99(95%CI 0.99-0.99);参考模型阳性似然比5.72(95%CI 4.29-7.64),深度神经网络阴性似然比0.26(95%CI 0.15-0.47)。
  • 参考模型识别了分诊1至2级中全部危重患儿(占全部危重患儿53.7%),但漏诊分诊3至5级中剩余危重患儿(占全部危重患儿46.4%);机器学习模型正确识别分诊3至5级中47.3%至68.4%的危重患儿。
  • 住院结局2352例(4.5%);参考模型C统计量0.73(95%CI 0.71-0.75),深度神经网络0.80(95%CI 0.78-0.81),P<0.001;住院预测特异性参考模型0.55(95%CI 0.52-0.58)vs lasso回归0.75(95%CI 0.70-0.78),P<0.001。
  • 住院预测阳性预测值所有模型<0.15,阴性预测值所有模型>0.98;参考模型阳性似然比1.82(95%CI 1.75-1.89),lasso回归2.71(95%CI 2.56-2.88)。
  • 决策曲线分析:危重症预测中所有机器学习模型在阈值概率范围内净获益大于参考模型,梯度提升决策树和深度神经网络净获益最大;住院预测中多数机器学习模型净获益更大,但随机森林模型在阈值概率低于约3%时净获益较低。

证据类型、等级与局限

  • 证据类型:预后研究,基于美国全国医院门诊医疗调查数据;遵循TRIPOD预后研究报告规范。
  • 局限:排除无传统分诊分类信息的就诊可能为选择偏倚来源;机器学习方法为数据驱动,依赖准确数据,调查数据可能存在错分,但NHAMCS 10%质量控制样本编码错误率低于1%;缺失值插补为潜在偏倚来源;不同急诊科结局阈值可能不同(如ICU入住标准不同);结局数量少可能影响预测能力;NHAMCS数据未测量某些临床变量(如患者外观、临床医生整体印象、药物、院前治疗和反应)。
  • 作者结论:尚需外部前瞻性验证。

对床旁实践的改变

  • 作者认为机器学习分诊作为辅助技术可能进一步增强临床医生在大规模儿童急诊人群中的分诊决策,可能实现更准确的临床照护和优化资源分配。
  • 机器学习模型在危重症预测中敏感性更高,可能减少传统分诊3至5级中危重患儿的分诊不足(即被传统方法漏诊的患儿)。
  • 机器学习模型在住院预测中特异性更高,可能减少传统分诊1至3级中病情较轻、可能不需要大量急诊资源的患儿的分诊过度。
  • 作者指出机器学习模型预测能力仍不完美,可能原因包括数据测量的主观性(如就诊原因)、分诊后临床因素(如急诊管理及时性和质量、治疗反应)、患者和家庭健康行为差异、临床医生实践模式及机构资源差异。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2019 Jan 11;2(1):e186937. doi: 10.1001/jamanetworkopen.2018.6937

引言

在美国每年1.37亿次急诊科(ED)就诊中,有3000万次为儿童就诊。1,2,3 随着急诊科患者就诊量和病情严重程度的稳步增加,4 在急诊分诊时准确区分和确定患者优先级非常重要。然而,当前的分诊系统在区分危重患儿方面的能力欠佳,5,6,7 且由于普遍存在的急诊科拥挤,在分诊建议时间内由医生诊治的儿童比例一直在下降。8 因此,优化分诊系统至关重要,不仅要避免对危重患儿分诊不足,还要减少分诊过度,以提供高质量和及时的医疗照护,并实现急诊科资源的有效分配。

机器学习方法因其在各种环境和疾病条件下(如脓毒症和计划外转入重症监护病房[ICU])预测患者结局的能力优于传统方法而受到关注。9,10,11,12,13,14,15 机器学习方法的优势包括能够处理预测变量之间的复杂非线性关系并产生更稳定的预测。16 例如,最近一项使用其中一种机器学习方法的两中心回顾性研究报告了在普通急诊科人群中分诊分类的改善。5 尽管这些先前的研究表明机器学习方法可能改善急诊科分诊的决策能力,但据我们所知,尚无研究探讨机器学习方法在预测急诊科儿童临床结局和转归方面的效用。此外,在当前资源有限和时间紧迫的分诊环境下,急诊科医务人员在不使用自动化机器学习方法的情况下使用所有可用信息是不可行的。

为填补这一知识空白,我们分析了具有全国代表性的急诊科就诊数据,以开发基于机器学习的 tornado 分诊模型,用于预测儿童在急诊科分诊后的临床病程。我们还将其预测性能与使用5级传统分诊分类的参考模型进行了比较。

方法

研究设计与设置

这是一项预后研究,合并了2007年1月1日至2015年12月31日期间国家医院门诊医疗保健调查(NHAMCS)急诊科部分的数据。17 简言之,NHAMCS是对美国50个州和哥伦比亚特区非联邦、非军队和非退伍军人事务部医院的非机构性综合医院和短期停留医院就诊情况的全国代表性样本。该调查由疾病控制与预防中心(CDC)国家卫生统计中心每年开展。例如,2015年,NHAMCS记录了来自267个急诊科的21 061次代表性急诊科就诊,形成了1.37亿次急诊科患者就诊的加权全国样本。NHAMCS程序的详细描述可在NHAMCS急诊科调查的技术说明部分中找到。17 NHAMCS数据公开可用,由CDC提供。本研究遵循个体预后或诊断多变量预测模型的透明报告(TRIPOD)预后研究报告指南。18 麻省总医院机构审查委员会豁免了对本分析的审查。

研究样本

我们识别了所有儿童(年龄≤18岁)的急诊科就诊记录。我们排除了在急诊科就诊时没有分诊分级信息、到达急诊科时已死亡、未就诊即离开或违背医嘱离开,或存在数据不一致(即收缩压>300 mm Hg、舒张压>200 mm Hg、脉率>300次/分、呼吸频率>80次/分或氧饱和度>100%)的就诊记录。基于这些年份生命体征信息的可获得性,我们聚焦于2007年至2015年的数据。

预测因素

机器学习模型的预测因素系基于先验知识从急诊科分诊时常规可获得的数据中选择。5,19 具体而言,预测因素包括患者年龄、性别、到达方式(步行 vs 救护车)、生命体征(体温、脉率、收缩压和舒张压、呼吸频率和氧饱和度)、就诊原因、患者居住地(家中 vs 其他[如长期护理机构])、前72小时内急诊科就诊以及患者合并症。就诊原因根据CDC提供的门诊医疗就诊原因分类进行分组。20 患者合并症根据儿科复杂慢性疾病分为12个类别,包括神经肌肉、心血管、呼吸、肾脏、胃肠道、血液、免疫、代谢、其他先天性或遗传缺陷、恶性肿瘤以及早产和新生儿合并症。21,22,23

结局

主要结局为重症监护,依据既往研究。5,13,19,24 重症监护——作为高严重度医疗需求的指标——定义为直接入住ICU或院内死亡。5,13,19,24 对需要入住ICU的患者进行及时的急诊科管理一直与患者结局改善相关。25,26,27 次要结局为住院,定义为入住住院护理场所或直接转至急性护理医院。5,13,19

统计分析

在训练集(70%随机样本)中,我们开发了参考模型和4个机器学习模型来预测2种结局的概率。首先,作为参考模型,我们拟合了一个仅包含数据库中记录的传统分诊分类数据的逻辑回归模型。19 NHAMCS数据将分诊编码为立即(1级)、紧急(2级)、急迫(3级)、半急迫(4级)和非急迫(5级)。虽然大多数急诊科使用5级分诊系统(例如,儿科急诊严重指数),但7%的NHAMCS急诊科使用其他系统,这些系统由CDC系统性地重新编码为5级系统。17接下来,使用上述预测变量,我们构建了4个机器学习预测模型:(1)带lasso正则化的逻辑回归(lasso回归),28(2)随机森林,29(3)梯度提升决策树,30和(4)深度神经网络。31 Lasso正则化扩展了标准回归模型,使我们能够选择重要的预测变量(特征选择),这更具可解释性和临床实用性(而非使用许多预测变量的标准逻辑回归模型)。对于lasso回归,我们选择了使误分类错误率最小的正则化参数(lambda),以惩罚来自小样本量的大系数。最小lambda使用glmnet包通过10折交叉验证计算。随机森林是通过使用训练数据的 bootstrap 样本和树归纳中的随机特征选择创建的决策树的集成。梯度提升决策树是另一种集成方法——通过梯度下降估计的决策树的加性模型。对于随机森林和梯度提升树模型,我们使用了网格搜索策略,通过ranger和caret包识别超参数的最佳组合。32深度神经网络是一类机器学习算法,由多层非线性处理单元组成,用于学习参数值以实现对结局的最佳预测。在深度神经网络中,我们使用R统计软件版本3.4.2(RStudio)中实现的Keras构建了带有自适应矩估计优化器33的5层前馈模型。31对于深度神经网络,我们通过使用keras包随机手动调整超参数(如层数和隐藏单元数、学习率、学习率衰减、dropout率、批大小和epoch数)来开发最终模型。为最小化4个机器学习模型中的潜在过拟合,我们在开发模型时使用了lasso正则化、交叉验证、袋外估计和dropout;岭正则化;以及批归一化。在带lasso惩罚(正则化)的逻辑回归中,惩罚函数将大系数向0收缩,从而最小化潜在过拟合。34在lasso回归和梯度提升树模型中,我们使用10折交叉验证来测量预测误差,其方差小于单次训练-测试集划分的方差。35同样,在随机森林模型中,我们使用袋外(bagging后留下的样本)估计来测量预测误差。36在深度神经网络中,为最小化潜在过拟合,我们使用了随机移除网络中部分单元的dropout37、收缩大系数的岭正则化38,以及归一化层输入均值和方差的批归一化39。

对于存在缺失数据的预测变量(补充材料中的eTable 1),我们采用随机森林方法进行了多重插补。40 随机森林插补是一种非参数算法,能够容纳非线性和交互作用,且不需要指定特定的参数模型。41 简言之,使用该方法时,单点估计值通过对以随机森林预测的条件均值为中心的独立正态分布进行随机抽取来生成。随机森林使用多棵回归树的 bootstrap 聚合来降低过拟合风险,并综合多棵树的估计值。40 缺失值使用所有预测变量、结局变量及其他协变量(种族/民族、急诊科处置[如,违背医嘱离院]和日历年份)进行插补。

在测试集(30%随机样本)中,我们通过计算以下指标来衡量每个模型的预测性能:(1)C 统计量(即受试者工作特征(ROC)曲线下面积),(2)前瞻性预测结果(即灵敏度、特异度、阳性预测值、阴性预测值、阳性似然比和阴性似然比),以及(3)决策曲线分析。为解决重症监护结局中的类别不平衡问题(即结局比例较低),我们基于 ROC 曲线选择前瞻性预测结果的阈值(即与完美模型距离最短的值)。16 决策曲线分析是一种考虑不同误分类类型不同权重并具有直接临床解释的度量方法(如,每个模型在分诊不足与分诊过度之间的权衡)。42,43 具体而言,在给定阈值概率(或临床偏好)下,假阴性(分诊不足)和假阳性(分诊过度)结果的相对影响被纳入计算,以得出每个模型的净获益。每个模型在特定结局阈值概率范围内的净获益以决策曲线的形式图形展示。我们已将分析代码存放于公共代码库(https://github.com/HasegawaLab/ED_triage_ML_children)。

为深入了解每个预测变量对机器学习模型的贡献,我们还计算了梯度提升决策树和随机森林模型中每个结局的变量重要性。变量重要性是一种缩放度量,最大值为100。32,44 采用 DeLong 检验比较 ROC 曲线。45 我们将双侧 P < .05 视为具有统计学意义。所有分析均使用 R 统计软件版本 3.4.1(R Foundation for Statistical Computing)完成。

结果

2007年1月1日至2015年12月31日期间,数据库记录了64 042次儿童急诊就诊。其中,我们排除了10 792次缺乏分诊分类信息的就诊、2例到院时死亡、1138例未就诊即离开或违背医嘱离院,以及73条数据不一致的记录。我们将剩余的52 037次急诊就诊纳入本分析。分析队列与非分析队列的急诊就诊特征具有可比性(补充材料中的eTable 2)。在分析队列的52 037次就诊中,年龄的中位数(四分位距)为6(2-14)岁,24 929例患者(48.0%)为女性(表1)。

表1. 52 037名急诊就诊儿童的预测变量和结局 查看原表 ↗

重症监护结局的预测

总体而言,163名儿童(占52 037次就诊的0.3%)出现了重症监护结局。不同模型的区分能力以ROC曲线表示,见图1A。

参考模型的区分能力最低(C统计量,0.78;95% CI,0.71-0.85)(表2),而所有4个机器学习模型均具有较高的区分能力。例如,随机森林模型和深度神经网络的C统计量无显著升高(随机森林:0.85;95% CI,0.79-0.91;P = .07;深度神经网络:0.85;95% CI,0.78-0.92;P = .16)。此外,与参考模型相比,所有机器学习模型预测重症监护结局的灵敏度均更高(例如,参考模型为0.54 [95% CI,0.39-0.69],深度神经网络为0.78 [95% CI,0.63-0.90])。相比之下,参考模型的特异度(0.91;95% CI,0.75-0.93)高于机器学习模型(例如,lasso回归为0.86 [95% CI,0.69-0.96])。由于重症监护结局的发生率较低(0.3%),所有模型的阳性预测值均较低(所有模型均为0.01 [95% CI,0.01-0.02]),阴性预测值均较高(所有模型均为0.99 [95% CI,0.99-0.99])。参考模型的阳性似然比最高(5.72;95% CI,4.29-7.64),而深度神经网络的阴性似然比最低(0.26;95% CI,0.15-0.47)。具体而言,参考模型识别出了分诊级别1和2(立即和紧急)的所有危重患儿(占所有危重患儿的53.7%)(补充材料中的eTable 3),但未能正确识别分诊级别3至5中剩余的危重患儿(占所有危重患儿的46.4%)。相比之下,机器学习模型在分诊级别1和2中漏诊的危重患儿很少,但在分诊级别3至5中正确识别了47.3%至68.4%的危重患儿。在决策曲线分析中(图1B),与参考模型相比,所有机器学习模型在阈值概率范围内均具有更大的净获益,其中梯度提升决策树和深度神经网络的净获益最大。

图1. 参考模型和机器学习模型在测试集中对重症监护病房使用和院内死亡的预测能力A,受试者工作特征曲线。各模型对应的曲线下面积值(即C统计量)见表2。B,决策曲线分析。x轴表示重症监护结局的阈值概率。y轴表示净获益。决策曲线显示了模型(参考模型和4个机器学习模型)以及2种临床替代方案(将所有儿童均分类为无结局 vs 将所有儿童均分类为有结局)在特定结局阈值概率范围内的净获益。与参考模型相比,所有机器学习模型在阈值概率范围内的净获益均更大。 查看原图 ↗
表2. 参考模型和4个机器学习模型对急诊就诊儿童的预测能力 查看原表 ↗

住院结局的预测

总体而言,2352名儿童(占52037次就诊的4.5%)出现了住院结局。不同模型的判别能力以ROC曲线表示,见图2A。参考模型的判别能力最低(C统计量,0.73;95% CI,0.71-0.75)(表2),而所有4个机器学习模型的判别能力均显著更高(例如,深度神经网络的C统计量,0.80;95% CI,0.78-0.81;P < .001)。此外,与参考模型相比,所有机器学习模型在预测住院结局方面均具有更高的特异度(例如,参考模型为0.55 [95% CI,0.52-0.58],而lasso回归为0.75 [95% CI,0.70-0.78] [P < .001])。由于住院结局的患病率相对较低(4%),所有模型的阳性预测值均较低(所有模型均<0.15),阴性预测值均较高(所有模型均>0.98)。参考模型的阳性似然比最低(1.82;95% CI,1.75-1.89),而lasso回归的阳性似然比最高(2.71;95% CI,2.56-2.88)。具体而言,参考模型在分诊级别1至3中识别出了所有住院儿童,但存在大量过度分诊(补充材料中的eTable 3)。相比之下,机器学习模型在分诊级别1至3中过度分诊的儿童数量较少,并在分诊级别4和5中正确识别了更多住院儿童(补充材料中的eTable 3)。在决策曲线分析中(图2B),与参考模型相比,大多数机器学习模型在阈值概率范围内具有更大的净获益;例外是随机森林模型,其在阈值低于约3%时净获益较低。

图2. 参考模型和机器学习模型在测试集中对住院的预测能力A,受试者工作特征曲线。各模型对应的曲线下面积值(即C统计量)见表2。B,决策曲线分析。x轴表示住院结局的阈值概率。y轴表示净获益。曲线(决策曲线)表示模型(参考模型和4个机器学习模型)以及2种临床替代方案(将所有儿童均分类为无结局 vs 将所有儿童均分类为有结局)在指定结局阈值概率范围内的净获益。与参考模型相比,所有机器学习模型在阈值概率范围内的净获益均更大,但随机森林模型在阈值概率低于约3%时净获益较低。 查看原图 ↗

变量重要性

图3展示了梯度提升决策树中各结局的变量重要性。对于两种结局,年龄、生命体征(例如,氧饱和度和呼吸频率)和到达方式(即,救护车)均为重要预测因素。这些变量的重要性在各结局的随机森林模型中保持一致(补充材料中的eFigure)。

图3. 梯度提升决策树模型中各预测因素的重要性变量重要性是一种标度化度量,最大值为100。A,重症监护结局。B,住院结局。ED表示急诊科。 查看原图 ↗

讨论

在这项对来自儿童52037次急诊就诊的全国代表性数据的分析中,我们应用现代机器学习方法(即lasso回归、随机森林、梯度提升决策树和深度神经网络)进行急诊分诊分类,并提高了预测2种临床结局(重症监护和住院)的总体判别能力,与使用传统分诊方法的模型相比。机器学习模型仅使用分诊时可常规获得的数据(例如就诊原因、生命体征)就达到了较高的预测性能。这些机器学习模型在预测重症监护结局方面也达到了较高的敏感性(即更少的危重患儿被分诊不足),在预测住院结局方面达到了较高的特异性(即更少的不需要住院管理的患儿被分诊过度),而参考模型对重症监护结局具有较高的特异性,对住院结局具有较高的敏感性。此外,机器学习方法在广泛的阈值概率范围内(或平衡分诊不足和分诊过度的临床偏好)也具有更大的净获益。据我们所知,这是第一项专门将现代机器学习方法应用于大规模儿童急诊人群的研究。

急诊分诊的一个关键目标是及时将危重患者与其他患者区分开来,并优化急诊资源配置,以既提供及时和高质量的护理,又减轻急诊拥挤和护理延迟。然而,开发准确的儿童急诊分诊系统仍然具有挑战性。46,47 文献已表明,目前可用的分诊系统(例如儿科急诊严重指数)受临床医生判断的影响48,且判别能力欠佳。5,6,19,46,49 尽管向预测模型中加入更大规模的预测因子(例如详细的现病史、生命体征的连续测量、体格检查)可能会提高该能力,但由于信息、资源和时间压力有限,这在急诊分诊环境中不可行。或者,协助临床医生进行分诊决策的另一策略是利用现代机器学习方法来解决预测因子之间复杂的非线性相互关系。事实上,近期研究已报道机器学习方法改善了对儿童创伤性脑损伤10、非计划转入ICU11、急诊脓毒症患者院内死亡率12以及哮喘或慢性阻塞性肺疾病患者住院13,14,15,50的预测。本研究建立在上述既往报道的基础上,并通过在大量儿童急诊就诊样本中展示现代机器学习方法预测临床结局和去向的优越能力而对其进行了扩展。

急诊科分诊系统力求在分诊不足与分诊过度之间取得适当平衡,因为这两个因素之间存在权衡。在本研究中,机器学习方法在预测重症监护结局方面表现出比传统方法更高的灵敏度。具体而言,机器学习方法将减少传统分诊级别3至5中分诊不足的危重患儿数量——这些患儿在急诊科获得的关注较少。这些发现支持了这些方法在急诊科分诊中的实用性,其中主要优先事项之一是减少危重患儿的分诊不足。相反,由于即将住院的患儿不一定需要更多的急诊科资源(例如,因观察而住院的患儿),51,52 对住院结局使用高灵敏度、低特异度的预测模型可能导致急诊科资源配置效率低下,从而进一步加剧急诊科拥挤和延误治疗。我们的机器学习方法在住院结局方面实现了更高的特异度和阳性似然比,这将减少对可能在急诊科不需要大量资源的患儿的分诊过度。特别是,机器学习方法可能减少分诊级别1至3(立即至紧急)患儿的分诊过度,这些级别分配了更多资源。此外,在考虑假阴性(分诊不足)和假阳性(分诊过度)影响的决策曲线分析中,我们的机器学习方法在这两种结局方面也表现出更高的净获益。

机器学习方法在预测能力上取得增量提升,有几种可能的解释。首先,机器学习方法能够纳入预测变量之间的高阶非线性交互作用,而传统建模方法(如逻辑回归模型)无法处理这些交互作用。16此外,我们采用了严格的方法以尽量减少模型的潜在过拟合(如套索回归和岭回归正则化、交叉验证和丢弃法)。此外,传统的儿童急诊分诊系统依赖于对急诊医疗需求紧迫性和预计资源使用的主观且往往可变的评估。53,54尽管机器学习与传统方法相比具有更优越的预测能力,但其预测能力仍不完美。可能的解释包括数据测量的主观性(如就诊原因)、急诊分诊后临床因素的贡献(如急诊管理的及时性和质量以及对治疗的反应)、患者和家庭健康行为的差异、临床医生的实践模式以及机构资源(如社区医院与儿童医院),或这些因素的任何组合。然而,现代机器学习方法在健康信息技术的更广泛背景下具有可扩展性(如从电子健康记录和监测设备中提取大量潜在预测因子、利用更新的健康数据持续优化模型以及强化学习)。55,56事实上,机器学习方法已展现出通过整合近期开发的算法来进一步提升其性能的潜力,如自然语言处理57,58以及从图像中获取诊断相关的面部格式塔信息。59我们的观察结果和这些近期进展共同提供了谨慎乐观的理由,即机器学习方法作为一种辅助技术,能够进一步增强临床医生在大型急诊儿童人群中的分诊决策。

局限性

我们的研究存在若干潜在局限性。第一,我们排除了没有常规分诊分类信息的就诊记录,这可能是选择偏倚的潜在来源。尽管如此,分析队列与非分析队列的患者特征和结局具有可比性,这反对存在显著偏倚。第二,机器学习方法是数据驱动的,因此依赖于准确的数据。虽然调查数据可能存在一些错误分类,但在NHAMCS的10%质量控制样本中,编码错误率低于1%。17 第三,缺失值插补是潜在的偏倚来源。然而,随机森林插补被认为是严格的插补技术。41 第四,不同急诊科之间结局的阈值可能不同(例如,ICU收治标准不同)。然而,决策曲线分析显示,在广泛的阈值概率(或临床偏好)范围内,机器学习方法具有更大的净获益。此外,这些方法高度灵活且本质上能适应当地医疗系统,这使它们有别于传统分诊系统。第五,有人可能推测结局数量较少可能影响了预测能力。但所有4种机器学习方法始终表现出优于传统方法的预测能力。第六,NHAMCS数据未测量某些临床变量(例如,患者外观、临床医生的整体印象、药物以及院前治疗和反应)。然而,本研究的目的是开发机器学习模型以利用典型急诊科分诊环境中目前可用的有限临床数据,而非使用广泛的预测变量集来推导预测模型。

结论

在这项对全国代表性儿童急诊就诊数据的分析中,通过使用分诊时常规可用的数据,我们发现应用机器学习方法进行急诊分诊相比传统分诊方法提高了预测临床和处置结局的判别能力。此外,机器学习方法在预测重症监护结局方面达到了高灵敏度。具体而言,这些方法将减少传统分诊3至5级中被分诊不足的危重患儿数量(即被传统方法遗漏的患儿)。此外,虽然传统方法可能帮助临床医生更好地识别需要住院的患儿,但机器学习方法在预测住院结局方面具有更高的特异度,这将避免对病情较轻且可能不需要大量急诊资源的患儿过度分诊。虽然需要外部前瞻性验证,但我们的研究结果为应用先进预测方法支持临床医生的急诊分诊决策提供了机会,这可能反过来实现更准确的临床诊疗和最优的资源分配。

参考来源

  1. Goto T, Camargo CA, Faridi MK, et al. Machine Learning-Based Prediction of Clinical Outcomes for Children During Emergency Department Triage. JAMA Netw Open. 2019. PMID: 30646206. doi:10.1001/jamanetworkopen.2018.6937
  2. 全文:PMC6484561(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6484561/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。