在电子触发器的设计中融入基于机器学习的因素，以检测急诊科中的诊断错误

《Journal of Patient Safety》：Incorporating Machine Learning Driven Factors in the Design of Electronic-triggers to Detect Diagnostic Errors in the Emergency Department

急诊电子健康记录触发器优化研究：多因素机器学习模型提升诊断错误识别的准确率与可解释性

　　

摘要

目的：

基于电子健康记录（EHR）的触发器（eTriggers）已被用于研究急诊科（ED）中的诊断错误，但通常效果不佳。我们的目标是探究多因素机器学习（ML）方法在提升eTrigger性能方面的附加价值。

方法：

前往学术型急诊科的患者根据标准触发器（T）定义被分为触发器阳性（T-positive）和触发器阴性（T-negative）：(T1) 在10天内再次就诊并住院；(T2) 从住院病房转至ICU的时间在24小时内；(T3) 入院后24小时内死亡。我们训练并评估了6个监督学习的ML模型。

结果：

共纳入了124,053次就诊记录（其中5,791例为T-positive，118,262例为T-negative）。在T-positive病例中，4,159例（72%）与T1相关，1,415例（24%）与T2相关，217例（4%）与T3相关。基于T的定义，T1的阳性预测值（PPV）为5.2%，T2为8.2%，T3为6.5%。在平衡训练集和不平衡测试集上训练和评估的ML模型分类性能较低（准确率：0.72–0.95；PPV：0.00–0.16；F1分数：0.00–0.23）。在平衡测试集上观察到了更高的性能（准确率：0.80–0.97；PPV：0.82–1.00；F1分数：0.79–0.97）。将基于临床注释数据训练的模型与基于T标签训练的模型进行比较，发现了其他重要因素。

结论：

利用机器学习改进e-triggers可以略微提高诊断错误的识别率，这体现在PPV值的提升上。我们发现了导致急诊科诊断错误的新潜在因素。这些发现为构建或改进更准确的e-triggers以识别诊断错误提供了新的途径。