자동 점수

BMC 의학 연구 방법론 22권, 기사 번호: 286(2022) 이 기사 인용

1439 액세스

1 인용

1 알트메트릭

측정항목 세부정보

위험 예측 모델은 위험 계층화 및 자원 할당을 돕고 환자를 위한 더 나은 건강 관리로 이어질 수 있는 임상 의사 결정에 유용한 도구입니다. AutoScore는 이진 결과를 위한 기계 학습 기반 자동 임상 점수 생성기입니다. 본 연구는 AutoScore 프레임워크를 확장하여 순서적 결과에 대한 해석 가능한 위험 예측 도구를 제공하는 것을 목표로 합니다.

AutoScore-Ordinal 프레임워크는 변수 순위, 변수 변환, 점수 파생(비례 확률 모델에서), 모델 선택, 점수 미세 조정 및 모델 평가를 포함하여 원래 AutoScore 알고리즘과 동일한 6개 모듈을 사용하여 생성됩니다. AutoScore-Ordinal 성능을 설명하기 위해 이 방법은 2008년부터 2017년까지 싱가포르 종합병원 응급실의 전자 건강 기록 데이터에 대해 수행되었습니다. 모델은 데이터의 70%에 대해 훈련되었고 10%에 대해 검증되었으며 나머지에 대해 테스트되었습니다. 20%.

이 연구에는 445,989명의 입원 환자 사례가 포함되었으며, 서수 결과의 분포는 30일 재입원 없이 생존한 80.7%, 30일 재입원한 12.5%, 입원 환자 또는 퇴원 후 30일까지 6.8%가 사망했습니다. 유연한 변수 선택 절차에 의해 식별된 8개의 예측 변수로 구성된 두 세트를 사용하여 두 개의 포인트 기반 위험 예측 모델이 개발되었습니다. 두 모델은 수신기 작동 특성 곡선 아래의 평균 면적(0.758 및 0.793)과 일반화된 c-지수(0.737 및 0.760)로 측정한 합리적으로 우수한 성능을 나타냈으며 이는 대체 모델과 유사합니다.

AutoScore-Ordinal은 순서형 결과에 대한 위험 예측 모델의 개발 및 검증을 위한 자동화되고 사용하기 쉬운 프레임워크를 제공하며, 이를 통해 고차원 데이터에서 잠재적인 예측 변수를 체계적으로 식별할 수 있습니다.

동료 검토 보고서

위험 예측 모델은 임상의가 환자 데이터를 바탕으로 의료 결과의 확률을 추정하는 데 도움이 되는 수학 방정식입니다. 이러한 모델에는 임상 질문에 따라 질병이 존재하는지(진단 모델) 또는 특정 결과가 발생할지(예후 모델)를 예측하는 데 사용할 수 있는 정수점 점수가 포함됩니다. 여러 예측변수의 조합(다양한 예측변수에 대한 서로 다른 가중치)이 다변수 모델에 포함되어 위험 점수를 계산합니다[1,2,3]. Framingham Risk Score [4], Ottawa Ankle Rules [5], Nottingham Prognostic Index [6], Gail 모델 [7], Euro-SCORE [8], 수정된 등 일부 위험 예측 모델은 일상적인 임상 설정에서 사용되었습니다. 조기 경고 점수(MEWS) [9, 10] 및 단순화된 급성 생리학 점수 [11].

건강 정보 기술, 특히 전자 건강 기록(EHR)의 사용은 지난 10년 동안 증가하여 빅데이터 연구 기회를 제공합니다. EHR 데이터에는 위험 모델 개발을 위한 고유한 데이터 소스가 될 수 있는 자세한 환자 정보 및 임상 결과 변수가 포함되어 있습니다[12, 13]. EHR 데이터에 있는 많은 변수의 가용성은 위험 모델을 구축하기 위해 전통적인 회귀 분석을 사용할 때 수학적 문제가 될 수 있습니다. 대안적인 접근 방식인 머신 러닝(ML)은 수학적 알고리즘을 적용하여 이러한 빅 데이터를 처리함으로써 새로운 위험 예측 모델을 생성합니다. 전통적인 변수 선택 접근법(예: 후진 제거, 전진 선택, 사전 지정된 중지 규칙을 사용한 단계적 선택)은 EHR 데이터의 맥락에서 변수의 하위 집합이 다를 수 있으며 일부 임상 영역에서는 임상 지식을 항상 사용할 수 있는 것은 아닙니다. EHR 데이터 작업 시 위험 모델 개발에서 매우 중요한 측면인 지도 학습에 강력한 기능 선택 기술을 사용할 수 있습니다[13, 14].