JAMA子刊：人工自動模型能夠預判肺栓塞危害丨前端速遞

醫(yī)脈通導讀

JAMANetwork Open刊登的最新研發(fā)信息標明，機械學習算法可以確切地預判肺栓塞（PE）危害，并也許有助于改進PE患者的CT成像應用狀況。

醫(yī)脈通編譯整理，未經受權請勿轉載。

研發(fā)者稱：“倡議的機械學習模型工作過程- 肺栓塞結果預判模型（PERFORM）將遠古電子病歷信息成為時間線轉換為特點向量，并開發(fā)了用來成人PE患者CT成像的抉擇解析模型?！?/p>

研發(fā)提要

在這項研發(fā)中，研發(fā)職員應用來自斯坦福大學醫(yī)院和診所的3,214名PE患者（平均年紀60.53歲; 53％為女性）的3,397份附有圖解的CT檢驗影像來訓練和驗證PERFORM模型。接著，他們應用了杜克大學醫(yī)學核心的240名患者（平均年紀70.2歲; 55％女性）的材料對此模型進行了外部驗證。

研發(fā)者還較為了傳統(tǒng)機械學習模型（含蓋ElasticNet模型）和新的深度學習模型（PE神經模型）的差別，后者含蓋3個臨床評分體系——Wells，肺栓塞消除規(guī)范（PERC）和rGeneva。通過受試者工作特點曲線以下積（AUROC）評價預判的確切性。

結果顯現(xiàn)，PE神經模型（AUROC = 0.85）和ElasticNet模型（AUROC = 0.93）的確切度得分很高，雖然ElasticNet模型在內部信息集上體現(xiàn)更好（P = .01）。在外部杜克信息集中，PE神經模型和ElasticNet模型的功能均下落，但兩類模型在外部信息集的體現(xiàn)都相當好（0.72 vs 0.7; P = .17）。研發(fā)者認定，該結果標明它們仍舊能夠被推行到杜克人群。

在AUROC為0.81的狀況下，在斯坦福和杜克門診信息集中，PE神經模型的體現(xiàn)優(yōu)于一切其余模型和規(guī)范，縱然是與杜克信息集的ElasticNet模型相較為（AUROC = 0.74; P = .01）。

整體而言，體現(xiàn)最好的模型預判肺栓塞陰性CT結果的AUROC，在機構內部保留信息中為0.9（95％CI，0.87-0.91），在外部杜克信息中為0.71（95％CI，0.69-0.72）。針對該模型，不管是在機構內還是機構外的門診人群中，均有較好的AUROC結果。

神經網絡模型PERFORM也許會在回首性構造化EMR信息中參考大批患者的特同性危害原因和依托性，以得出影像學特異的PE也許性舉薦，并能在新的人群散布中確切地推行，”研發(fā)者認定。“這項研發(fā)的結果標明，該模型可用作智能臨床抉擇追隨工具，以改進轉診患者中PE-CT成像的應用?！?/p>

醫(yī)脈通編譯整理自：Banerjee I, et al. Artificial intelligencemodels may predict pulmonary embolism risk. JAMA Netw Open. 2019; doi:10.1001/jamanetworkop.