小編發現不少朋友對于 人工智能使用EMR數據預測癡呆 這方面的信息都比較感興趣，小編就針對 人工智能使用EMR數據預測癡呆 整理了一些相關方面的信息 在這里分享給大家。

根據發表在醫學人工智能中的一項新研究，可以使用電子病歷(EMR)數據訓練機器學習模型來預測諸如癡呆之類的慢性疾病。

大約570萬人患有老年癡呆癥，這是癡呆癥最常見的形式，預計到2050年，在每年治療這種癡呆癥的費用為1萬億美元。作者指出，預測哪些患者可能晚年患有癡呆癥幫助您比以前更早地篩查個體，甚至延遲疾病的發作。

在考慮了包括支持向量機(SVM)和人工神經網絡(ANN)在內的眾多機器學習技術后，作者選擇了隨機森林(RF)分類器。SVM不如RF那樣可解釋，而ANN的準確性較低。

印第安納大學-普渡大學印第安納波利斯分校工程技術學院的主要作者Zina Ben Miled博士及其同事寫道：“這一選擇是受到來自文獻和我們自己的初步調查的幾個因素所激發的。” “即，RF是可解釋的，計算效率高的，并且可以處理嘈雜，連續和分類特征的高維空間。”

作者探索了與印第安納州15個不同機構中2,000多例癡呆癥相關的EMR數據。為了進行研究的對照，研究小組使用了來自印第安納州25個不同機構的11,000多例癡呆癥病例的相關數據。病例和對照的種族和性別“相似”，減少了兩組之間的偏見。

該團隊從EMR的“處方(Rx)”，“診斷(Dx)”和“醫療記錄(Nx)”部分中提取了某些功能。還確定了相關的ICD-9和ICD-10代碼。為Rx數據集，Dx數據集和Nx數據集開發了使用癡呆發作之前一年和三年的EMR數據的單獨模型。還為合并的“ RDNx”數據集開發了這兩個模型，將三個數據集合并為一個。

總體而言，癡呆癥發作前一年的模型具有更高的準確性，敏感性和特異性。使用Nx數據集開發的模型具有最高的準確性，敏感性和特異性。

同樣，合并的RDNx數據集具有更高的準確性。

作者寫道：“這表明，盡管事實上Nx模型具有更高的預測準確性，但Rx和Dx的某些功能(例如抗高血脂藥)對組合模型的整體準確性做出了重大貢獻。”

研究小組還觀察到，年齡“始終是病例和對照的所有模型的主要特征之一”，而種族和性別并不是任何模型的主要特征。因此，根據這些模型，種族和性別“不太可能是