Fugu-MT 論文翻訳(概要): A scalable approach for developing clinical risk prediction applications in different hospitals

論文の概要: A scalable approach for developing clinical risk prediction applications in different hospitals

arxiv url: http://arxiv.org/abs/2101.10268v1
Date: Thu, 21 Jan 2021 21:22:32 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 08:04:29.680017
Title: A scalable approach for developing clinical risk prediction applications in different hospitals
Title（参考訳）: 異なる病院での臨床リスク予測アプリケーションを開発するためのスケーラブルなアプローチ
Authors: Hong Sun, Kristof Depraetere, Laurent Meesseman, Jos De Roo, Martijn Vanbiervliet, Jos De Baerdemaeker, Herman Muys, Vera von Dossow, Nikolai Hulde, Ralph Szymanowsky
Abstract要約: 機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。臨床リスク予測モデルの開発プロセスを複数の疾患に拡張するためのスケーラブルなソリューションを提供する。
参考スコア（独自算出の注目度）: 2.3837093461599634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective: Machine learning algorithms are now widely used in predicting acute events for clinical applications. While most of such prediction applications are developed to predict the risk of a particular acute event at one hospital, few efforts have been made in extending the developed solutions to other events or to different hospitals. We provide a scalable solution to extend the process of clinical risk prediction model development of multiple diseases and their deployment in different Electronic Health Records (EHR) systems. Materials and Methods: We defined a generic process for clinical risk prediction model development. A calibration tool has been created to automate the model generation process. We applied the model calibration process at four hospitals, and generated risk prediction models for delirium, sepsis and acute kidney injury (AKI) respectively at each of these hospitals. Results: The delirium risk prediction models achieved area under the receiver-operating characteristic curve (AUROC) ranging from 0.82 to 0.95 over different stages of a hospital stay on the test datasets of the four hospitals. The sepsis models achieved AUROC ranging from 0.88 to 0.95, and the AKI models achieved AUROC ranging from 0.85 to 0.92. Discussion: The scalability discussed in this paper is based on building common data representations (syntactic interoperability) between EHRs stored in different hospitals. Semantic interoperability, a more challenging requirement that different EHRs share the same meaning of data, e.g. a same lab coding system, is not mandated with our approach. Conclusions: Our study describes a method to develop and deploy clinical risk prediction models in a scalable way. We demonstrate its feasibility by developing risk prediction models for three diseases across four hospitals.
Abstract（参考訳）: 目的: 機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。このような予測アプリケーションのほとんどは、ある病院で特定の急性事象のリスクを予測するために開発されているが、開発された解決策を他の病院や病院に拡張する試みは少ない。我々は,複数の疾患のリスク予測モデルの開発プロセスと,異なる電子健康記録(ehr)システムへの展開を拡張可能なスケーラブルなソリューションを提供する。材料と方法: 臨床リスク予測モデル開発のための汎用プロセスを定義した。モデル生成プロセスを自動化するためにキャリブレーションツールが作成されている。 4つの病院でモデルキャリブレーションを行い, それぞれの病院で, デリリウム, 敗血症, 急性腎障害(AKI)のリスク予測モデルを作成した。結果: 4つの病院の検査データセット上で病院滞在の異なる段階において,受信者特性曲線 (auroc) 下のデリウムリスク予測モデルが0.82から0.95の範囲で達成された。セシスモデルは0.88から0.95までAUROCを達成し、AKIモデルは0.85から0.92までAUROCを達成した。考察:本稿で論じるスケーラビリティは,異なる病院に保管されているEMH間の共通データ表現(シンタクティック・インターオペラビリティ)の構築に基づいている。セマンティック相互運用性(Semantic interoperability)は、異なるEHRがデータの同じ意味を共有するというより難しい要件である。同じラボのコーディングシステムにアプローチは義務付けられていません結論:本研究では,臨床リスク予測モデルをスケーラブルな方法で開発・展開する方法について述べる。 4つの病院で3つの疾患のリスク予測モデルを構築し,その可能性を示す。