1 No NEWS is good NEWS – a machine learning approach to improve physiological early warning scoring
Notice bibliographique
Résumé
Background Current Early Warning Scoring (EWS) systems in clinical practice are threshold rules-based systems using physiological data to highlight patients at risk of impending in-hospital death. Examples include the National Early Warning Score (NEWS2) and the Electronic Cardiac Arrest Triage (eCART) score, the standards of care within the UK and the USA, respectively. The current EWS modelling framework has two limitations. Firstly, they consider risk at a single time point and, therefore, cannot consider trajectories. Secondly, they negate relational information between covariates by decomposing physiological signals into a single value. We propose using Long Short-Term Memory (LSTM) units, a Machine Learning (ML) technique that uses time-series modelling and neural networks to address these limitations and better utilise the available information. Methods We extracted the sequences of vital signs, NEWS2, and eCART values within a 72-hour observation window from MIMIC-IV, a dataset containing anonymised electronic healthcare records. We masked the last 24 hours for each sequence and trained multiple ML models to identify patients at risk of death. We compare the models’ discriminative ability using the metrics, recall, F1-score, AUROC and AUPRC and conducted 10-fold stratified cross-validation. Results The LSTM model has statistically significant performance advantages in F1-score ( 0.3391 ±0.0093), AUROC ( 0.7399 ±0.0119), and AUPRC ( 0.337 ±0.0212). The clinical benefit of such a model allows clinicians to correctly identify more at-risk patients without increasing the false alarm rate. We hypothesise that this ML pipeline can be used to predict other clinical outcomes of interest, such as a requirement for escalation of care/additional organ support, which is the focus of future work. Conclusions Our results demonstrate that the ML time-series framework can utilise trajectory information to give further context and significantly improve the prediction of impending death. We propose any future EWS systems should incorporate physiological time-series.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».