人工智能可以识别短期死亡风险的癌症患者

截至7月1日，在同一卫生系统的11个门诊所之一接受治疗的26，000多名成年患者的数据。电子健康记录(EHR)用于记录每个患者180天的死亡率)。在180天的随访期结束前，4%的患者死亡。随访期末，存活患者均为女性，平均年龄比死亡患者小。“种族之间没有明显的区别。”

然后，该团队为70%的患者队列(超过18000名患者)训练了三种机器学习算法(随机森林、梯度提升和逻辑回归)，并用另外30%(超过7000名患者)进行了验证。这三个模型的准确率至少为95%，特异性至少为98.9%。使用预先指定的报警率，随机森林(51.3%)和梯度增强(49.4%)AI模型的阳性预测值(PPV)高于logistic回归模型(44.7%)。经过一些调整后，三个模型的ROC曲线下面积(AUC)没有显著差异。

作者写道：“在这项队列研究中，基于结构化EHR数据的机器学习模型从学术癌症中心附属肿瘤的实践中准确预测了癌症患者的短期死亡风险。”“在报警率可控的情况下，梯度提升和随机森林模型都有很好的PPV，所有机器学习模型在预测6个月死亡率时都有足够的区分度(AUC，0.86-0.88)。”

帕里克和他的同事解释说，这些发现可能对患者的护理产生重大影响，帮助临床医生为患者提供他们需要的护理，并考虑关于死亡偏好的重要讨论。

作者写道：“机器学习算法可以相对容易地重新训练，以应对新出现的癌症生存模式。”“随着计算能力的提高和结构化遗传和分子信息的可用性，我们预计预测性能将得到改善，这可能会进一步促进类似工具在实践中的实施。”

该团队确实补充说，其算法是专门为普通医学肿瘤学开发的，这意味着它们“可能不会扩展到”放射肿瘤学、妇科肿瘤学和其他肿瘤学领域的患者。

作者总结道：“然而，我们的模型中使用的函数在大多数EHR卫生系统的结构化数据领域是常见的。”