Artificial Intelligence for Predicting Emergency Departments Visits in Kids with Asthma (AIRE-KIDS)
Notice bibliographique
Résumé
<bold>Background/Objectives:</bold> Asthma is common in children and leads to repeated emergency department (ED) visits and hospitalization in some. Currently there are limited tools for rapidly and accurately identifying the patients at highest risk for repeat visits. Recently, machine learning (ML) methods have been explored for predicting repeat asthma visits in adults. We aimed to use ML to accurately predict repeat asthma visits in children. <bold>Methods:</bold> We trained and compared the performance of multiple types of ML models (light gradient-boosting machine (LGBM), eXtreme Gradient Boosting (XGBoost), decision tree and classification and regression tree (CART)) using a nested cross-validation design to predict repeat ED visits and hospitalization within one year from an initial asthma ED visit in children 0-18 years old. We used a historical cohort accrued from a single pediatric center in Ottawa, Canada between Feb 1, 2017 to Feb 28, 2019, with outcomes observed up to Feb 28, 2020. We extracted 63 clinical features from the electronic health record that linked with air pollution and neighborhood marginalization data. <bold>Results:</bold> Our sample size comprised 3145 patients, with 2900 (34.6% female, mean age 4.64 years ±4.03 SD) meeting inclusion criteria. Preliminary evaluation showed that LGBM predicted the best with an area under the curve (AUC) of 0.88 and scaled Brier score of 0.41 for repeat ED visits and AUC of 0.89 with scaled Brier score of 0.18 for repeat hospitalization. <bold>Conclusion:</bold> ML approaches accurately predicted repeat asthma ED visits and hospitalization in children and following prospective validation, could enable targeted prevention for the most vulnerable children.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».