JAMA子刊：人工自动模型能够预判肺栓塞危害丨前端速递

医脉通导读

JAMANetwork Open刊登的最新研发信息标明，机械学习算法可以确切地预判肺栓塞（PE）危害，并也许有助于改进PE患者的CT成像应用状况。

医脉通编译整理，未经受权请勿转载。

研发者称：“倡议的机械学习模型工作过程- 肺栓塞结果预判模型（PERFORM）将远古电子病历信息成为时间线转换为特点向量，并开发了用来成人PE患者CT成像的抉择解析模型。”

研发提要

在这项研发中，研发职员应用来自斯坦福大学医院和诊所的3,214名PE患者（平均年纪60.53岁; 53％为女性）的3,397份附有图解的CT检验影像来训练和验证PERFORM模型。接着，他们应用了杜克大学医学核心的240名患者（平均年纪70.2岁; 55％女性）的材料对此模型进行了外部验证。

研发者还较为了传统机械学习模型（含盖ElasticNet模型）和新的深度学习模型（PE神经模型）的差别，后者含盖3个临床评分体系——Wells，肺栓塞消除规范（PERC）和rGeneva。通过受试者工作特点曲线以下积（AUROC）评价预判的确切性。

结果显现，PE神经模型（AUROC = 0.85）和ElasticNet模型（AUROC = 0.93）的确切度得分很高，虽然ElasticNet模型在内部信息集上体现更好（P = .01）。在外部杜克信息集中，PE神经模型和ElasticNet模型的功能均下落，但两类模型在外部信息集的体现都相当好（0.72 vs 0.7; P = .17）。研发者认定，该结果标明它们仍旧能够被推行到杜克人群。

在AUROC为0.81的状况下，在斯坦福和杜克门诊信息集中，PE神经模型的体现优于一切其余模型和规范，纵然是与杜克信息集的ElasticNet模型相较为（AUROC = 0.74; P = .01）。

整体而言，体现最好的模型预判肺栓塞阴性CT结果的AUROC，在机构内部保留信息中为0.9（95％CI，0.87-0.91），在外部杜克信息中为0.71（95％CI，0.69-0.72）。针对该模型，不管是在机构内还是机构外的门诊人群中，均有较好的AUROC结果。

神经网络模型PERFORM也许会在回首性构造化EMR信息中参考大批患者的特同性危害原因和依托性，以得出影像学特异的PE也许性举荐，并能在新的人群散布中确切地推行，”研发者认定。“这项研发的结果标明，该模型可用作智能临床抉择追随工具，以改进转诊患者中PE-CT成像的应用。”

医脉通编译整理自：Banerjee I, et al. Artificial intelligencemodels may predict pulmonary embolism risk. JAMA Netw Open. 2019; doi:10.1001/jamanetworkop.