机器学习模型可以帮助提高急诊室分诊方法的预测能力。美国医学协会的一项研究表明，这项技术比传统方法做出了更好的临床预测。
这些发现有助于改进临床分诊预测方法，改善急诊室资源配置。
“由于这两个因素之间的妥协，急诊科的分类体系试图在分类不足和分类过度之间找到一个适当的平衡。在目前的研究中，机器学习方法在预测重症监护效果方面显示出比传统方法更高的敏感性，”麻省总医院研究员Tadahiro Goto博士等人写道。
随着到急诊室就诊的患者数量和敏感性的增加，准确区分和区分患者优先顺序的能力变得越来越重要。根据这项研究，目前的分流系统已经人满为患，在区分重病儿童方面表现不佳。
为了解决这一问题，提供更高质量的及时护理，研究人员建议必须优化分诊系统，避免危重患儿入院率下降，同时降低急诊室的入院率。
卡迪夫大学的研究人员最近利用人工智能方法开发了临床预测模型，使心血管疾病患者的预后更加准确可靠。
在这项研究中，研究人员使用了2007年至2015年儿童就诊的52037个ER数据集。70%的数据用于训练和开发四种机器学习模型，以预测两种临床结果的可能性：重症监护和住院治疗。
重症监护结果被定义为直接进入重症监护室(ICU)或在医院死亡。住院结果定义为住院或直接转到急诊医院。本研究表明，与传统方法相比，机器学习模型在预测临床结果方面更好。
在预测临床护理结果时，传统模型的区分能力最低，而四种机器学习模型的区分能力都很高。在预测住院结局时，传统模型的判别能力再次最低，而机器学习模型的判别能力“明显更高”。
Goto等人说：“最近的研究报道，机器学习方法提高了对儿童颅脑外伤、计划外转入ICU、脓毒症ed患者住院死亡率以及哮喘或慢性阻塞性肺疾病患者住院的预测。”等着写吧。“这项研究基于这些先前的报告，并通过展示现代机器学习方法预测儿童大量ed就诊的临床结果和配置的出色能力来扩展这些报告。”
尽管需要额外的验证，但研究人员表示，这些发现“为应用先进的预测方法来支持临床医生的[ED]分诊决策提供了机会，从而实现更准确的临床护理和最佳的资源分配。"
