小编发现不少朋友对于 AI可以识别患有短期死亡风险的癌症患者 这方面的信息都比较感兴趣，小编就针对 AI可以识别患有短期死亡风险的癌症患者 整理了一些相关方面的信息 在这里分享给大家。

根据JAMA Network Open上发表的一项新研究，机器学习算法可用于识别有短期死亡风险的癌症患者。这可以帮助提供者计划有关寿命终止偏好的必要对话。

主要作者Ravi B. Parikh医学博士，费城宾夕法尼亚大学医学博士和同事。“尽管如此，大多数癌症患者的死亡都没有关于他们的治疗目标和临终偏好的书面记录，也没有临终关怀的支持。缺乏此类对话的主要原因可能是肿瘤临床医生无法使用现有工具准确识别有短期死亡风险的患者。

作者探讨了2016年2月1日至7月1日在同一卫生系统的11个门诊地点之一接受护理的26,000多名成年患者的数据。使用电子健康记录(EHR)记录每位患者的180天死亡率)数据。在180天的随访期结束之前，有4%的患者死亡。在该随访期结束时还活着的患者是女性，并且平均年龄也比死亡的患者年轻。“种族没有明显差异。”

然后，该团队针对70%的患者队列(超过18,000名患者)训练了三种机器学习算法(一种随机森林，一种梯度提升和一种逻辑回归)，并用另外30%(超过7,000名患者)对其进行了验证。这三个模型的准确性至少为95%，特异性至少为98.9%。使用预先指定的警报率，随机森林(51.3%)和梯度增强(49.4%)AI模型的阳性预测值(PPV)高于逻辑回归模型(44.7%)。进行某些调整后，这三个模型的ROC曲线下面积(AUC)均无明显差异。

作者写道：“在这项队列研究中，基于结构化EHR数据的机器学习模型准确地预测了来自学术癌症中心附属肿瘤实践的癌症患者的短期死亡风险。” “梯度提升和随机森林模型在可控制的警报率下具有良好的PPV，并且所有机器学习模型在预测六个月的死亡率时都具有足够的判别力(即AUC，0.86-0.88)。”

Parikh及其同事解释说，这些发现可能会对患者的护理产生重大影响，帮助临床医生为患者提供所需的护理，并考虑有关生命终期偏好的重要讨论。

作者写道：“机器学习算法可以相对容易地进行重新训练，以应对新出现的癌症生存模式。” “随着计算能力以及结构化遗传和分子信息的可用性增加，我们预计预测性能将提高，并且可能会进一步推动在实践中实施类似工具。”

该团队确实补充说，其算法是专门针对一般医学肿瘤学开发的，这意味着它们“可能无法推广到”放射肿瘤学，妇科肿瘤学和其他肿瘤学领域的患者。

作者总结说：“但是，我们的模型中使用的功能在大多数卫生系统EHR中的结构化数据字段中都是常见的。”