文献学习：机器学习帮助临床决策
本文使用zotero和obsidian自动生成
今天给大家分享一篇2019年发表于JAMA network open（IF13.3） 上面的文章，文章使用机器学习方法预测急诊患者的预后，帮助提高急诊分诊能力。
是一篇不错的临床数据挖掘、机器学习方面的文章。
Machine Learning-Based Prediction of Clinical Outcomes for Children During Emergency Department Triage
📜Metadata
- Publication: JAMA network open
- IF: 13.353
- Author: Tadahiro Goto, Carlos A. Camargo, Mohammad Kamal Faridi, Robert J. Freishtat, Kohei Hasegawa
- Date: 2019-01-04
- DOI: 10.1001/jamanetworkopen.2018.6937
♾️Abstract
略
🤔文章思路
“这是一篇机器学习用于临床数据决策的文章，但同时也是一篇纯数据挖掘的文章，并没有用到自己的数据。作者用到的方法也很简单，都是大家耳熟能详的方法。
研究背景：美国每年大约有3000万儿童到急诊就诊，急诊正确快速分诊对于正确救治非常重要，尤其是一些危重患儿，但是由于人流量大等多种原因，急诊的分诊能力也是有限的。因此作者希望通过机器学习的方法优化急诊分诊能力。
研究目的：探索机器学习方法用于预测患儿临床结局的准确性。
数据来源：这篇文章作者并没有用到自己的数据，是完完全全的数据挖掘哦。使用了National Hospital Ambulatory Medical Care Survey（NHAMC） 这个数据库的数据，共包含2007年1月1号到2015年12月31号的之间的、年龄低于18岁的儿童患者52037例！
研究方法：结果变量：是否是危急重症（需要立即住进ICU或者住院留观）。预测变量：一般资料（包括年龄、性别），生命体征（TPRBPS），就诊原因，居住地等。使用了5种模型：逻辑回归，lasso回归，随机森林，xgboost，神经网络 ，其中逻辑回归作为基线模型，其他4个模型都和逻辑回归进行比较（这不是欺负逻辑回归吗！？）。
研究结果：
- 首先是临床研究型文章最常见的表一：基线资料表/人口资料表：
平平无奇的一张表，但是必须得有，这种图用R语言来画现在非常简单，只需要1行代码即可。我前面介绍了3种方法，都可以轻松画出这张表，大家可以点击链接学习：
- 模型预测结果
5个模型预测的结果，通过ROC曲线（也就是C-index）和决策曲线展示：
这里展示了5个模型预测危急重症的能力，需要注意，作者把2个结果分开计算，分开展示的。
众所周知，ROC曲线默认是阳性结果的，这篇文章作者把阴性和阳性都展示了，决策曲线也是一样。
这两张图，也是用R语言画出来的，作者提供了代码[1]。和我之前推文中的方法一模一样，无非就是改一下颜色而已，如果你已经学习过之前的推文，这两个图现在对你来说应该也是小菜一碟！
临床预测模型之二分类资料ROC曲线绘制 临床预测模型之生存资料的ROC曲线绘制 生存资料ROC曲线的最佳截点和平滑曲线 二分类资料的DCA决策曲线分析 生存资料的决策曲线分析DCA
除此之外，作者还计算了二分类资料的一些常见指标，比如敏感性、特异性、阳性预测值、阴性预测值、 阳性似然比、阴性似然比，结果作为表2呈现：
如果你还不知道这些指标，建议回头读一下之前的推文，临床预测模型之二分类资料ROC曲线绘制，里面有详细的介绍~
最后，作者计算了变量重要性，众所周知，基于树的模型都是可以计算重要性的~
这就是这篇文章的主要内容了。
😀优缺点
作者最后自己总结了6条不足之处，也是非常的诚恳了......主要就是说病人选择、病人信息、方法选择等方面的问题，感兴趣的可以自己认真学习下，看看老外是怎么总结不足之处的。
我认为这篇文章是很值得学习的，首先是数据来源，公共的数据库；其次是没有很难的方法，作者提供了代码，但是并没有提供数据，画图部分的代码和我之前推文里的基本一致，殊途同归；也许你会觉得这篇文章有些过时了，毕竟是2019年的文章了，但是我发现一篇2022年的相同套路的文章，下次分享给大家~
参考资料
[1]
作者提供的代码: https://github.com/HasegawaLab/ED_triage_ML_children/blob/master/ED_triage_ML_children_summarized.R
腾讯云开发者
