Исследователи из Медицинской школы Университета Миннесоты недавно опубликовали результаты PLOS ONE , в которых оценивалась производительность машинного обучения (МО) в режиме реального времени, которое поддерживало принятие клинических решений о выписке из отделения неотложной помощи в больницах M Health Fairview.
Многопрофильная группа реаниматологов, госпиталистов, врачей скорой помощи и информатиков оценила в реальном времени производительность прогностического инструмента COVID-19 с поддержкой машинного обучения. Этот инструмент предоставил поддержку в принятии клинических решений поставщикам отделений неотложной помощи, чтобы облегчить совместное принятие решений с пациентами относительно выписки.
«COVID-19 обременил системы здравоохранения с разных сторон, и поиск способов снятия стресса имеет решающее значение», — сказала доктор Моника Лупей, доцент Медицинской школы Университета М и медицинский директор M Health Fairview University of Minnesota University. -Западное побережье.
Под руководством доктора Лупей исследовательская группа университета успешно разработала и внедрила модель прогнозирования COVID-19 в системе здравоохранения M Health Fairview, состоящей из 12 учреждений, которая показала хорошие результаты в зависимости от пола, расы и этнической принадлежности для трех различных результатов. Алгоритм логистической регрессии, созданный для прогнозирования тяжелого течения COVID-19, хорошо себя зарекомендовал у подследственных, хотя и был разработан на популяции с положительным результатом на COVID-19.
доктора Кристофер Тигнанелли, Майкл Ашер, Данни Ли и Николас Ингрэм сыграли важную роль в создании и оценке прогностической модели COVID-19.
«Системы принятия клинических решений с помощью прогностического моделирования с поддержкой машинного обучения могут улучшить уход за пациентами , уменьшить неоправданные варианты принятия решений и оптимизировать использование ресурсов, особенно во время пандемии», — сказал д-р Лупей.
Модель логистической регрессии с поддержкой машинного обучения можно разработать, проверить и внедрить в качестве поддержки принятия клинических решений в нескольких больницах, сохраняя при этом высокую производительность при проверке в реальном времени и сохраняя справедливость.
Д-р Лупей рекомендует оценить влияние на результаты лечения пациентов и использование ресурсов и провести дальнейшее исследование с помощью модели машинного обучения.
