200
评论
查看更多
密码过期或已经不安全，请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
引言
《胃肠病学》（Gastroenterology）是美国胃肠病学会（American Gastroenterology Association，AGA）的官方杂志，是国际消化病学领域的顶级学术期刊，提供了胃肠病学基础和临床研究的最新和权威报道。首都医科大学附属北京友谊医院是国家消化系统疾病临床医学研究中心和消化健康全国重点实验室依托单位，是AGA在中国唯一官方指定授权发布《胃肠病学》杂志翻译的单位。
本期为大家带来《基于电子健康记录系统的机器学习模型对胃肠道出血风险预测的验证研究：与临床风险评分的比较》，敬请关注！
＜第32期＞
基于电子健康记录系统的机器学习模型对胃肠道出血风险预测的验证研究：与临床风险评分的比较
通讯作者：
Loren Laine，美国耶鲁大学医学院消化疾病科
Jasjeet S. Sekhon，美国耶鲁大学医学院临床与转化加速中心
背景与目的
指南建议使用风险分层评分来识别胃肠道出血（GIB）患者中适合从急诊科出院的极低风险患者。机器学习模型可能比现有评分效果更好，并可集成至电子健康记录 (EHR) 系统中，实现实时风险评估而无需手动数据输入。本文介绍了第一个基于EHR的GIB机器学习模型。
方法
该模型包含了2014—2019年期间于2家医院急诊就诊的、有明显消化道出血症状（如呕血、黑便、便血）的2546例患者组成的训练集和其中850例患者组成的内部验证集。外部验证集则由在另一家医院使用相同EHR系统就诊的926例患者组成。主要的结局是红细胞输注、止血干预（如内镜、介入或外科手术）及30天内全因死亡率。通过EHR中的结构化数据字段（入院4小时内获得的数据），比较机器学习模型与现行指南推荐的风险评分（Glasgow-Blatchford Score和Oakland Score）的预测效果。主要分析比较ROC曲线下的面积 （AUC），次要分析在99%灵敏度下的特异性，用于评估正确识别极低风险患者的比例。
结果
机器学习模型优于Glasgow-Blatchford Score （AUC 0.92 vs 0.89，P <0.001）和Oakland Score（AUC 0.92 vs 0.89，P < 0.001）。在99%灵敏度的极低风险阈值下，机器学习模型能识别出更多极低风险患者：37.9% vs 18.5%（Glasgow-Blatchford Score，P < 0.001）和的11.7%（Oakland Score，P < 0.001）。
结论
基于EHR系统的机器学习模型比当前推荐的临床风险评分表现更佳，能识别更多符合出院条件的极低风险患者。
图文摘要
研究者说
急性胃肠道出血（GIB）在美国是需要住院治疗的常见诊断之一，有着极高的住院费用。指南建议对上消化道和下消化道出血患者进行风险分层，极低风险患者无需输血或止血干预，可以在门诊治疗管理，从而在不增加患者风险的基础上降低成本。
尽管Glasgow-Blatchford评分已在多个人群的上消化道出血患者中验证其具有高灵敏度，Oakland评分被认为是下消化道出血的最佳临床风险评分，然而，现有的消化道出血临床风险评分在实际中很少被使用。其应用障碍包括对指南缺乏了解、数据输入烦琐、在就诊时上消化道和下消化道出血的区分不明确以及临床信息过载和许多风险评分的现实表现较差等问题。
机器学习作为一门使计算机能够从数据中学习自适应和准确模型的学科，可以用于构建比临床风险评分表现更好的GIB模型。EHR存储了大量可用于自动计算风险评估的临床数据，并已在多种临床场景中用于训练风险预测模型。理想情况下，这种模型可以适用于所有GIB患者，从而避免立即区分上消化道和下消化道出血的需求。
相比于现有机器学习模型在实际应用中存在数据流程的选择障碍、缺乏外部验证与校准以，及对工具如何融入并增强医生工作流程的考量不足等缺点，本研究专门针对急诊科的风险分层分诊流程，开发了一个综合方案，用于建立和验证基于EHR的深度学习和机器学习工具，旨在整合到急性GIB患者在急诊科的评估中，并在患者就诊后的4小时内帮助决策是否允许极低风险患者出院接受门诊管理。由于该模型使用患者就诊后4小时内可获得的结构化数据字段进行开发，因此能够自动从患者记录中提取必要数据，并在数据经过梯度增强树模型处理后计算出风险评分，从而避免了传统风险评分的烦琐应用。此外，该研究展示了该模型在内部和使用相同EHR系统的其他医院中的外部验证的出色表现，并对风险预测进行了临床使用的校准。同时，研究显示，其在性别、种族和民族方面没有显著的性能差异。这一设置还使机器学习模型可以根据不同的疾病模式灵活地定制，从而为其他医疗场所的应用提供可能性。
综上所述，本研究提出了首个在外部验证过的基于电子健康记录 (EHR) 的自动化机器学习风险分层模型，适用于表现出急性明显胃肠道出血症状的患者。该模型识别出更多符合低风险标准的患者，较现有的临床风险评分更为有效。该模型基于临床实际需求进行设计，通过集成现有数据并展示于带解读的界面中，提供临床决策支持，建议极低风险患者出院并接受门诊管理，从而减少不必要的住院，为患者和医疗系统节约成本。
译者简介
译者
杨德毅
医学博士
消化内科医师
医学博士，首都医科大学附属北京友谊医院消化内科医师。主要研究方向为炎症性肠病、消化道早癌等，发表多篇SCI论文。
审核
施海韵
医学博士、副主任医师
副教授、青年博导
医学博士，首都医科大学附属北京友谊医院消化内科副主任医师，副教授，青年博导。中华医学会消化病学分会胃肠微生态学组委员，北京医学会消化病学分会肠道疾病专业副召集人，北京医学会消化病学分会青年论坛副召集人。入选北京市优秀青年人才、北京市科技新星计划等多项人才计划。主持国家自然科学基金、首都临床特色应用研究等多项科研课题。在国际、国内学术期刊发表论文30余篇，多次在DDW、APDW等国际国内学术会议做汇报交流并获青年研究者奖。主要研究方向：炎症性肠病、结直肠肿瘤与肠道微生态。
总审核
张澍田
主任医师、教授
博士生导师
首都医科大学附属北京友谊医院院长，消化健康全国重点实验室主任，国家消化系统疾病临床医学研究中心主任，国家临床医学协同研究创新联盟秘书长，中国医院协会第三、四届副会长，中华医学会消化内镜学分会第七届主任委员，中华医学会消化病学分会第九届副主任委员，北京医学会消化内镜学分会第六届主任委员，北京医学会消化病学分会第十届主任委员，中国医师协会消化医师分会第四、五届会长，亚太消化内镜学会第六、七届委员，世界华人消化医师协会第一届会长，中华消化内镜杂志主编，中华消化杂志副主编，中华医学杂志（英文版）副主编。
首都医科大学附属北京友谊医院
消化中心简介
西城院区
通州院区
顺义院区
首都医科大学附属北京友谊医院消化中心以食管、胃肠及肝胆胰腺疾病的内镜介入(微微创)诊断与治疗为特色，国内领先、国际知名。是消化健康全国重点实验室、国家消化系统疾病临床医学研究中心、国家重点临床专科、北京市消化疾病中心。由消化一、二、三科、消化内镜中心（全球20家最卓越之一）和消化实验室组成。共有医生99人、科研人员27人、科研辅助人员15人、护士102人。现有病床150张，消化内镜中心总面积5400平方米，共有46个操作台，其中ERCP6台。实验室总面积6000平方米。
西城院区：位于首都核心区（前门南、天坛西）
通州院区：位于北京城市副中心
顺义院区：位于首都机场附近的后沙峪
查看更多
中国医学论坛报
壹生
今日肿瘤
今日循环
今日糖尿病
今日口腔
全科周刊
脱贫地区农副产品网络销售平台
京公网安备 11010202008182号
| 互联网新闻信息服务许可证编号：10120190017