Improving Machine Learning 30-Day Mortality Prediction by Discounting Surprising Deaths

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:lup.lub.lu.se:fb2b9343-b12a-4e64-a8ff-3e22856cc612" > Improving Machine L...

1 av 1
Föregående post
Nästa post
Till träfflistan

Heyman, Ellen TolestamLund University,Lunds universitet,Akutsjukvård,Forskargrupper vid Lunds universitet,Emergency medicine,Lund University Research Groups,Halmstad County Hospital,Department of Emergency Medicine, Halland Hospital, Region Halland, Varberg, Sweden; Department of Clinical Sciences Lund, Faculty of Medicine, Lund University, Lund, Sweden (författare)

Improving Machine Learning 30-Day Mortality Prediction by Discounting Surprising Deaths

Artikel/kapitelEngelska2021

Förlag, utgivningsår, omfång ...

Philadelphia, PA :Elsevier BV,2021

Nummerbeteckningar

LIBRIS-ID:oai:lup.lub.lu.se:fb2b9343-b12a-4e64-a8ff-3e22856cc612
https://lup.lub.lu.se/record/fb2b9343-b12a-4e64-a8ff-3e22856cc612URI
https://doi.org/10.1016/j.jemermed.2021.09.004DOI
https://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-45805URI
https://gup.ub.gu.se/publication/313810URI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:art swepub-publicationtype
Ämneskategori:ref swepub-contenttype

Anmärkningar

BACKGROUND: Machine learning (ML) is an emerging tool for predicting need of end-of-life discussion and palliative care, by using mortality as a proxy. But deaths, unforeseen by emergency physicians at time of the emergency department (ED) visit, might have a weaker association with the ED visit.OBJECTIVES: To develop an ML algorithm that predicts unsurprising deaths within 30 days after ED discharge.METHODS: In this retrospective registry study, we included all ED attendances within the Swedish region of Halland in 2015 and 2016. All registered deaths within 30 days after ED discharge were classified as either "surprising" or "unsurprising" by an adjudicating committee with three senior specialists in emergency medicine. ML algorithms were developed for the death subclasses by using Logistic Regression (LR), Random Forest (RF), and Support Vector Machine (SVM).RESULTS: Of all 30-day deaths (n = 148), 76% (n = 113) were not surprising to the adjudicating committee. The most common diseases were advanced stage cancer, multidisease/frailty, and dementia. By using LR, RF, and SVM, mean area under the receiver operating characteristic curve (ROC-AUC) of unsurprising deaths in the test set were 0.950 (SD 0.008), 0.944 (SD 0.007), and 0.949 (SD 0.007), respectively. For all mortality, the ROC-AUCs for LR, RF, and SVM were 0.924 (SD 0.012), 0.922 (SD 0.009), and 0.931 (SD 0.008). The difference in prediction performance between all and unsurprising death was statistically significant (P < .001) for all three models.CONCLUSION: In patients discharged to home from the ED, three-quarters of all 30-day deaths did not surprise an adjudicating committee with emergency medicine specialists. When only unsurprising deaths were included, ML mortality prediction improved significantly.

Ämnesord och genrebeteckningar

MEDICIN OCH HÄLSOVETENSKAP Klinisk medicin Kardiologi hsv//swe
MEDICAL AND HEALTH SCIENCES Clinical Medicine Cardiac and Cardiovascular Systems hsv//eng
MEDICIN OCH HÄLSOVETENSKAP Klinisk medicin Anestesi och intensivvård hsv//swe
MEDICAL AND HEALTH SCIENCES Clinical Medicine Anesthesiology and Intensive Care hsv//eng
TEKNIK OCH TEKNOLOGIER Medicinteknik hsv//swe
ENGINEERING AND TECHNOLOGY Medical Engineering hsv//eng
MEDICIN OCH HÄLSOVETENSKAP Hälsovetenskap hsv//swe
MEDICAL AND HEALTH SCIENCES Health Sciences hsv//eng
machine learning
artificial intelligence
emergency department
emergency medicine
end-of-life
palliative care
Maskininlärning
artificial intelligence
akutsjukvård
palliativ vård
livets slutskede
machine learning
EMERGENCY
TOOL

Biuppslag (personer, institutioner, konferenser, titlar ...)

Ashfaq, Awais,1990-Högskolan i Halmstad,Halmstad University,CAISR Centrum för tillämpade intelligenta system (IS-lab),Halland Hospital, Region Halland, Halmstad, Sweden(Swepub:hh)awaash (författare)
Khoshnood, ArdavanLund University,Lunds universitet,Akutsjukvård,Forskargrupper vid Lunds universitet,Emergency medicine,Lund University Research Groups,Department of Clinical Sciences Lund, Faculty of Medicine, Lund University, Lund, Sweden; Skåne University Hospital Lund, Lund, Sweden(Swepub:lu)med-akh (författare)
Ohlsson, MattiasHögskolan i Halmstad,Halmstad University,Lund University,Lunds universitet,Artificiell intelligens och thoraxkirurgisk vetenskap (AICTS),Forskargrupper vid Lunds universitet,Artificial Intelligence in CardioThoracic Sciences (AICTS),Lund University Research Groups,CAISR Centrum för tillämpade intelligenta system (IS-lab),Department of Astronomy and Theoretical Physics, Division of Computational Biology and Biological Physics, Lund University, Lund, Sweden(Swepub:hh)matohl (författare)
Ekelund, UlfLund University,Lunds universitet,Akutsjukvård,Forskargrupper vid Lunds universitet,Emergency medicine,Lund University Research Groups,Department of Clinical Sciences Lund, Faculty of Medicine, Lund University, Lund, Sweden; Skåne University Hospital Lund, Lund, Sweden(Swepub:lu)mphy-uek (författare)
Holmqvist, Lina DahlénGothenburg University,Göteborgs universitet,University of Gothenburg,Department of Molecular and Clinical Medicine, Institute of Medicine, Sahlgrenska Academy, University of Gothenburg, Gothenburg, Sweden; Sahlgrenska University Hospitals, Gothenburg, Sweden;,Institutionen för medicin, avdelningen för molekylär och klinisk medicin,Institute of Medicine, Department of Molecular and Clinical Medicine (författare)
Lingman, Markus,1975Gothenburg University,Göteborgs universitet,University of Gothenburg,Halmstad County Hospital,Halland Hospital, Region Halland, Halmstad Sweden; Department of Molecular and Clinical Medicine, Institute of Medicine, Sahlgrenska Academy, University of Gothenburg, Gothenburg, Sweden,Institutionen för medicin, avdelningen för molekylär och klinisk medicin,Institute of Medicine, Department of Molecular and Clinical Medicine(Swepub:gu)xlingm (författare)
AkutsjukvårdForskargrupper vid Lunds universitet (creator_code:org_t)

Sammanhörande titlar

Ingår i:Journal of Emergency MedicinePhiladelphia, PA : Elsevier BV61:6, s. 763-7730736-46791090-1280

Internetlänk

Hitta via bibliotek

Journal of Emergency Medicine (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Heyman, Ellen To ...; Ashfaq, Awais, 1 ...; Khoshnood, Ardav ...; Ohlsson, Mattias; Ekelund, Ulf; Holmqvist, Lina ...; visa fler...; Lingman, Markus, ...; visa färre...

Om ämnet

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Klinisk medicin; och Kardiologi

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Klinisk medicin; och Anestesi och int ...

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Medicinteknik

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Hälsovetenskap

Artiklar i publikationen: Journal of Emerg ...

Av lärosätet: Lunds universitet; Högskolan i Halmstad; Göteborgs universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se