远程医疗服务中儿童疾病严重程度的预测建模：来自海地INACT研究的证据

《The Journal of Pediatrics》：Predictive Modeling of Childhood Disease Severity in a Telemedicine Service: Evidence from the INACT Studies in Haiti

在儿科远程医疗中开发机器学习模型用于识别需进一步安全检查的病例并整合至电子临床决策支持工具，通过分析海地683对虚拟与线下检查数据（XGBoost算法，AUC分别为0.82和0.77），验证了该技术在资源有限地区的应用潜力。

　　

本·J·布林茨（Ben J. Brintz）| 莫莉·B·克拉曼（Molly B. Klarman）| 尤瑟琳·卡尤斯玛（Youseline Cajusma）| 莱尔比·埃克桑图斯（Lerby Exantus）| 朱德·罗纳德·博斯茹尔（Jude Ronald Beausejour）| 凯特琳·E·弗拉赫蒂（Katelyn E. Flaherty）| 瓦莱丽·马德森·博·德·罗查尔斯（Valery Madsen Beau de Rochars）| 香塔尔·巴里尔（Chantale Baril）| 埃里克·J·纳尔逊（Eric J. Nelson）

美国犹他大学流行病学系，盐湖城，UT

摘要

目标

在儿科远程医疗领域开发模型，以识别可能需要进一步安全检查的“患病”病例，并将这些模型整合到电子临床决策支持（eCDS）工具中。

研究设计

我们对在海地开展的三项连续的远程医疗和药物配送服务（TMDS）研究中的配对虚拟检查和面对面检查进行了二次分析。应用了人工智能/机器学习（XGBoost）技术来构建模型，用于识别“患病”患者（中度或重度）以及需要升级处理的病例。由于样本量有限，我们采用了基于梯度提升决策树的集成方法。主要结果指标是接收者操作特征曲线（AUC）下的面积。

结果

本次二次分析共使用了2225名参与者中的683对配对记录。参与者的中位年龄为15个月，其中47%为女性。对于预测“患病”儿童的情况，5折交叉验证后的AUC值为0.82（95%置信区间：0.78-0.86）；校准斜率和截距分别为1.09（95%置信区间：0.91-1.26）和0.16（95%置信区间：-0.03-0.35）。对于预测需要升级处理的病例，AUC值为0.77（95%置信区间：0.73-0.81）；校准斜率和截距分别为0.81（95%置信区间：0.66-0.96）和0.08（95%置信区间：-0.11-0.26）。

结论

这些方法和发现为如何在儿科远程医疗环境中辅助临床决策提供了创新且重要的概念验证。在将这些模型整合到eCDS之前，需要进行外部验证。一旦通过验证，这些模型将为有经验的医疗提供者提供关键的安全检查机制，并将专业知识数字化地传递给新入职的医疗提供者。

章节片段

伦理声明

INACT研究已获得佛罗里达大学机构审查委员会（IRB202002693；IRB201802920，IRB202201220）以及海地国家生物伦理委员会（Comité National de Bioéthique；2021-11；Ref1819-51；Ref1101-41）的审查和批准。

研究设计

本研究是对三项先前前瞻性队列研究的汇总数据进行二次分析：INACT2-H建立了TMDS模型，并重点关注安全性、可行性及临床指南的评估；所有非严重病例均被纳入分析。

参与者特征

三项研究共招募了2225名参与者，其中中位年龄为24个月，47%为女性。由于研究设计的不同，有683对参与者的虚拟检查和面对面检查数据可供分析；这些参与者的中位年龄为15个月，47%为女性。其他参与者特征见表格I。列出了虚拟（呼叫中心）和面对面（家庭）环境之间的可能差异。

讨论

传统上，准确识别“患病”患者依赖于出色的床边评估技能和丰富的临床经验。当前面临的挑战是如何以成本效益的方式最好地整合技术来改善治疗效果和效率。我们提出了一个针对资源有限环境中的远程医疗的具体用例。我们的目标是开发模型，在远程医疗过程中标记出可能需要进一步关注的“患病”患者。

利益冲突声明

我们声明没有利益冲突。

数据共享

去标识化的个人参与者数据及结果所依据的数据可在以下链接获取： https://github.com/ericnelsonlab/MotoMeds-paired-exams-INACT2-3

CRediT作者贡献声明

本·J·布林茨（Ben J. Brintz）：撰写 – 审稿与编辑、初稿撰写、可视化、数据分析、概念构建。 莫莉·B·克拉曼（Molly B. Klarman）：撰写 – 审稿与编辑、初稿撰写、可视化、监督、项目管理、方法论设计、数据分析、概念构建。 尤瑟琳·卡尤斯玛（Youseline Cajusma）：监督、数据分析。 莱尔比·埃克桑图斯（Lerby Exantus）：撰写 – 审稿与编辑、监督、数据分析。 朱德·罗纳德·博斯茹尔（Jude Ronald Beausejour）：

利益冲突声明

作者声明没有已知的可能影响本文研究的财务利益或个人关系。

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

致谢

我们感谢所有研究参与者以及TMDS工作人员对本手稿分析数据集所做的贡献。同时感谢佛罗里达大学的行政团队：R Autrey、K Berquist、B Johnson、T Linn和N Rushing。我们也感谢新兴病原体研究所的G. Morris以及佛罗里达大学儿科系的R. Savani教授，以及我们的同事T. Becker的支持。