簡介
早期預警評估系統（Modified Early Warning System, MEWS）是一種經過充分驗證的工具，廣泛用於檢測住院患者的意外惡化。應用於實務工作中，當患者分數大於五分時，是否就直接啟動緊急應變，由快速反應小組（Rapid response teams, RRT）接手患者處置作業，是一個困難的效益平衡問題。透過人工智慧技術直接對患者的生理訊號進行評估，直接使用連續的數值避免量化影響也是一個可能的方向能提升早期預警成效；然而數據洩漏是人工智能（artificial medical intelligence, AI）發展中的一個關鍵問題，它會導致應用程序的性能不可靠和不確定。因此，本研究旨在展示在創建AI以預測普通病房住院患者意外惡化時遇到的挑戰，主要關注數據洩漏對模型性能的影響。
方法
本研究納入本院2021年住院的成人患者，使用八個重要參數（VP）開發了一個AI模型（AI8）。VPs包括體溫、心率、呼吸頻率、收縮壓、血氧飽和度 （SpO2），以及通過由眼睛、語言和運動反應組成的格拉斯哥昏迷量表（GCS）評估的意識變化。在計劃外入住ICU前24小時內測量的VP評估被標記為陽性事件，其餘VP被標記為陰性。對於普通病房住院患者，可以省略某些VP的評估，特別是GCS和SpO2。這些省略的參數在訓練數據中被記錄為缺失值。為了衡量遺漏的影響，一個模型（AI5）使用五個VP，另一個模型（AI4）則通過進一步排除 SpO2進行訓練。採用五重交叉驗證來驗證三種AI模型的預測性能，而後合併五個驗證集中陽性事件的預測概率。最後，進行ROC曲線分析曲線下的面積，以評估合併結果作為AI 模型的預測性能。
結果與結論
共納入住院患者27,579例，VP評估539,245次。這些VP評估中約有0.5%被標記為陽性事件。預測24小時內意外惡化的 AI8、AI5和AI4的AUC分別為.914、.916 和.860。然而，即使通過交叉驗證進行了驗證，訓練中存在的數據洩漏仍可能給 AI 模型的性能帶來了不確定性。
發表年份：2023
會議名稱：第39屆國際健康照護生活品質學會（International Society for Quality in Health Care, ISQua）國際年會。
會議地點：首爾
