牛津大学机器学习新研究，通过分析电子健康记录预测紧急住院风险

编译：chux

出品：ATYUN订阅号

牛津大学乔治全球健康研究所（George Institute for Global health）的一项新研究发现，机器学习可用于分析电子健康记录并预测紧急住院的风险。

该研究发表在PLOS Medicine杂志上，该研究表明，使用这些技术可以帮助健康从业者准确地监测患者面临的风险，并采取措施避免意外住院，这是医疗支出的主要来源。

英国乔治学院（George Institute UK）前数据科学家Fatemeh Rahimian表示，2017年英国有超过590万的紧急医院住院记录，其中很大一部分是可以避免的。

研究人员表示，“我们希望提供一种工具，使医护人员能够准确地监控患者面临的风险，从而做出更好的患者筛查和主动护理决策，从而减轻紧急入院的负担。”

该研究使用来自英国临床实践研究数据链的相关电子健康记录，对1985年至2015年的460万患者进行了研究，考虑了广泛的因素，包括年龄，性别，种族，社会经济状况，家族史，生活方式因素，并存病，药物和婚姻状况，以及自从首次诊断到最后一次使用卫生系统，及最新的实验室测试。

使用更多变量和关于其时间的信息，机器学习模型提供了比先前使用的任何模型更优秀的紧急住院风险预测。

Rahimian表示，“我们的研究结果表明，对于包含丰富个人信息的大型数据集，机器学习模型的表现优于传统的统计模型之一，我们认为这是因为机器学习模型会自动捕获并学习我们之前没有意识到的数据之间的相互作用。”

而对于机器学习模型是否能够在其他医学领域中进行强有力的风险预测，还需要进一步研究。