Prognozowanie ryzyka z dokumentacji pacjenta

Clinical risk prediction from health records · id clinicalprediction · aliases: clinical prediction models, EHR prediction, risk scores, modele predykcyjne w medycynie, predictive analytics in healthcare

Modele diagnostyczne i prognostyczne na danych z elektronicznej dokumentacji (EHR): wczesne ostrzeganie, ryzyko powikłań, przeżycie i ponowne przyjęcia.

Diagnostic and prognostic models on electronic health record (EHR) data: early warning, complication risk, survival and readmissions.

In one sentence

Modele, które na podstawie danych z karty pacjenta szacują ryzyko, np. pogorszenia, powikłań czy ponownego trafienia do szpitala.

Models that use data from a patient's record to estimate risks such as deterioration, complications or coming back to hospital.

Problem it solves

Groźne pogorszenia zapowiadają często drobne zmiany w wynikach, które w natłoku pracy łatwo przeoczyć aż do kryzysu.

Dangerous declines are often foreshadowed by small changes in results that are easy to miss on a busy shift until a crisis.

What it does

Jak czujnik dymu dla oddziału: stale przegląda wyniki, ciśnienie i leki, i podnosi alarm, gdy ryzyko przekroczy próg.

Like a smoke detector for a ward: it keeps scanning results, blood pressure and drugs, and sounds an alarm when risk crosses a threshold.

Everyday example

Pielęgniarka dostaje powiadomienie, że u pacjenta po operacji rośnie ryzyko zakażenia, i wzywa lekarza kilka godzin wcześniej niż zwykle.

A nurse gets an alert that a post-surgery patient's infection risk is rising and calls the doctor hours earlier than usual.

This concerns you if you…

• leżysz w szpitalu lub opiekujesz się kimś w szpitalu
• budujesz modele na danych medycznych
• are in hospital or caring for someone who is
• build models on medical data

Subtopics

• Modele bazowe na danych z dokumentacji pacjenta (Foundation models for electronic health records): Models pretrained on sequences of structured EHR events (codes, medications, lab results) that produce patient representations for many prediction tasks.
• Szacowanie, komu leczenie pomoże (efekt indywidualny) (Individualised treatment effect estimation): Estimating the conditional average treatment effect (CATE) from randomised or observational data with causal machine learning, as a basis for treatment recommendations.
• Uczenie maszynowe dla czasu do zdarzenia (Machine learning for time-to-event outcomes): Models predicting time to an event with censored data, from the Cox model to survival forests and neural networks.
• Wczesne ostrzeganie o pogorszeniu stanu (np. sepsa) (Early warning systems for clinical deterioration (e.g. sepsis)): Models running continuously on EHR data that flag patients at rising risk of sepsis or deterioration and alert staff.

Related topics

• Gradient boosting (XGBoost, LightGBM) (Gradient-boosted trees)
• Wczesne ostrzeganie o uczniach zagrożonych niepowodzeniem (Early warning: predicting at-risk students)

Sources

• Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis · Roy Adams, Katharine E. Henry i in., Suchi Saria (Johns Hopkins) · sponsored
• scikit-survival User Guide: Introduction to Survival Analysis · Sebastian Pölsterl (scikit-survival)
• TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods · Gary S. Collins, Karel G. M. Moons, Paula Dhiman, Richard D. Riley, Andrew L. Beam i in.