三种机器学习算法已识别出可能在手术后遭受极度痛苦的患者,每个患者的准确率约为80%。预测性协助可能会帮助医生针对危险和易上瘾的阿片类药物适当地制定替代性的疼痛管理计划。
首席研究作者,哈佛大学医学博士Mieke Soens对与会人员说,他的团队计划将这些模型与Brigham and Women‘s Hospital的EHR进行整合,以“为每位患者提供术后疼痛的预测。”
为了建立他们的模型,Soens和同事们回顾了来自近6,000名不同手术类别的术后患者的数据。他们发现,这些患者中约有22%在手术后的前24小时内接受了大剂量的吗啡毫克当量。
接下来,他们咨询了疼痛护理专家,并搜索了文献,提出了163种可能预示严重的术后疼痛的因素。
借助这些洞察力,该团队构建了三个模型-后勤回归,随机森林和人工神经网络-能够浏览患者的病历并将163个因素修剪为只有最强烈的预测性。
将模型的预测与相同患者中的阿片类药物实际使用量进行比较,Soens及其同事发现,这三者在确定哪些患者遭受最大疼痛并需要使用更大剂量的阿片类药物方面的准确度约为80%。
“电子病历是宝贵且未被充分利用的患者数据来源,可以有效地用于改善患者的生活,” Soens在演讲后发表的准备好的讲话中说道。“有选择地识别通常在手术后需要大剂量阿片类药物的患者,对于减少滥用阿片类药物的重要性很重要。”
责任编辑:lq
-
神经网络
+关注
关注
42文章
4765浏览量
100588 -
算法
+关注
关注
23文章
4601浏览量
92695 -
机器学习
+关注
关注
66文章
8382浏览量
132457
发布评论请先 登录
相关推荐
评论