來自冰島的研究人員訓練了一個具有人工智能的機器學習模型，以便在患者前往初級保健診所之前對有呼吸道癥狀的患者進行分類。
為了訓練機器學習模型，研究人員僅使用了患者在就診前可能會被問到的問題。信息是從 1,500 份臨床文本注釋中提取的，其中包括醫(yī)生對患者癥狀和體征的解釋，以及在會診期間做出臨床決定的原因，例如影像轉診和處方。
根據(jù)臨床記錄中的信息，患者被分為五個診斷類別之一。來自冰島首都地區(qū)所有初級保健診所的患者都包括在內。該模型在兩個外部數(shù)據(jù)集中對每位患者進行評分，并將患者分為 10 個風險組。然后，研究人員分析了每組的選定結果。
與較高風險組相比，風險組 1-5 中的患者更年輕，肺部炎癥發(fā)生率較低，在初級和急診護理中接受重新評估的可能性較小，接受抗生素處方或胸部 X 光轉診的可能性較小第 6-10 組。最低的五組沒有胸部 X 光片顯示肺炎跡象或醫(yī)生診斷為肺炎。研究人員得出結論，該模型可以通過消除風險組 1-5 中的胸部 X 光轉診數(shù)量來減少它們。
我們所知道的：
呼吸道癥狀是人們去看初級保健臨床醫(yī)生的常見原因。然而，他們的許多癥狀是自我解決的。研究人員認為，在咨詢醫(yī)生之前對患者進行分類可能會減少不必要的診斷測試;醫(yī)療保健費用;以及抗生素的過度使用，這會導致更大的細菌耐藥性。
這項研究增加了什么：
研究人員發(fā)現(xiàn)，機器學習模型可以有效地將患者分為 10 個風險組，使臨床醫(yī)生能夠以不增加繁重工作日程的方式與低風險患者進行交流，并允許他們照顧高風險患者和有嚴重呼吸道癥狀者。該團隊斷言，機器學習模型可以降低患者、醫(yī)療保健系統(tǒng)和社會的成本。
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，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！