Модель машинного обучения точно предсказывает инсульт, используя существующие данные

Jan 17, 2024

Диагностировать инсульт бывает сложно, поскольку у пациентов не всегда наблюдаются классические симптомы, а другие состояния могут имитировать его. Исследователи использовали существующие данные для разработки модели машинного обучения, которая точно предсказывает инсульт и может облегчить диагностику.

Диагностические ошибки представляют собой серьезную проблему общественного здравоохранения и способствуют предотвратимому вреду для пациентов и перерасходу средств на здравоохранение. Предотвратимые смерти от инсульта из-за диагностических ошибок встречаются в 30 раз чаще, чем неправильно диагностированные сердечные приступы.

Инсульт может быть особенно трудно диагностировать, поскольку его признаки и симптомы могут быть имитированы другими состояниями, такими как судороги, мигрень, психические расстройства, а также наркотическая и алкогольная интоксикация. Кроме того, инсульт может проявляться атипичными симптомами. Примерно у 25% пациентов, перенесших инсульт, нет обычных проблем с речью, опущения лица и слабости конечностей, что еще больше усложняет возможность врача поставить точный диагноз.

Исследователи из Карнеги-Меллон, Международного университета Флориды и Университета Санта-Клары разработали автоматизированный инструмент скрининга с использованием технологии машинного обучения, который позволяет избежать некоторых догадок при диагностике инсульта.

«Методы машинного обучения использовались для выявления инсульта путем интерпретации подробных данных, таких как клинические записи и результаты диагностических изображений», — сказала Рема Падман, соответствующий автор исследования. «Но такая информация может быть недоступна, когда пациентов первоначально сортируют в отделениях неотложной помощи больниц, особенно в сельских и недостаточно обслуживаемых общинах».

Чтобы разработать свой алгоритм прогнозирования инсульта, исследователи использовали более 143 000 индивидуальных записей пациентов, поступивших в больницы неотложной помощи Флориды в период с 2012 по 2014 год. Они также включили данные опроса американского сообщества, проведенного Бюро переписи населения США, которые включали демографические данные, такие как возраст. , пол, раса и существующие заболевания.

Модель машинного обучения предсказала инсульт с точностью 84%. Он также оказался очень чувствительным, превосходя существующие диагностические модели, которые, как правило, пропускают до 30% инсультов.

«Умеренная чувствительность существующих моделей вызывает опасения, что они упускают из виду значительный процент людей, перенесших инсульт», — сказал Мин Чен, ведущий автор исследования. «В больницах с нехваткой медицинских ресурсов и клинического персонала наш алгоритм может дополнить существующие модели, чтобы помочь быстро расставить приоритеты для пациентов для соответствующего вмешательства».

Результаты исследования показывают, что эта модель машинного обучения может точно предсказать вероятность того, что человек перенес или перенесет инсульт, прежде чем получить подтверждение с помощью диагностической визуализации или лабораторных тестов.

«Поскольку наша модель не требует клинических записей или результатов диагностических тестов, она может быть особенно полезна для решения проблем, связанных с ошибочным диагнозом, при работе с пациентами, перенесшими инсульт с более легкими и атипичными симптомами», — сказал Сюань Тан, соавтор исследования. изучать. «Это также может быть полезно в отделениях неотложной помощи малообъемных или неинсультных центров, где медицинские работники имеют ограниченный ежедневный риск инсульта, а также в сельских районах с ограниченной доступностью чувствительных диагностических инструментов».

Но исследователи отмечают, что их алгоритм не предназначен для использования в качестве отдельной модели; его следует использовать в сочетании с существующими моделями диагностики инсульта.

Исследователи рекомендуют включить их алгоритм прогнозирования инсульта в автоматизированный компьютерный инструмент скрининга, доступный во время поступления в больницу.

Исследование было опубликовано в Журнале медицинских интернет-исследований.

Источник: Университет Карнеги-Меллон.