Performance of Machine Learning Models to Predict the Need for Computed Tomography Brain Scans From Clinical Features in Emergency Department Headache Patients
本研究评估了利用临床特征预测急诊科头痛患者是否需要进行脑部 CT 扫描的机器学习模型，结果发现，虽然所有模型都能区分重要发现与非重要发现，但逻辑回归模型相比弹性网络和随机森林模型提供了更优越的校准度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，全世界都有数百万人因为头痛而涌向急诊科。对于绝大多数人来说，这种疼痛只是一种烦恼——一种可以通过休息或简单药物治疗的暂时性、非严重性问题。然而，对于这些患者中的一小部分人来说，头痛是更危险情况（如脑出血、肿瘤或中风）的首个预警信号。急诊医生面临的挑战在于，他们无法仅凭观察患者来分辨其中的区别。为了保险起见，他们通常会开具计算机断层扫描（CT）检查，利用X射线创建大脑的详细图像。虽然这些扫描对需要的人来说是救命的，但它们也会让患者暴露在辐射之下，并占用昂贵的医疗资源。长期以来，医生一直依赖“红旗征”（red flags）清单——即诸如突发性发作或意识模糊等特定症状——来决定谁需要进行扫描，但这些规则并不完美，经常让医生陷入猜测。
研究人员已开始探索计算机是否能帮助更准确地做出这些决策。通过将大量的患者数据输入机器学习（一种通过经验学习模式的人工智能），科学家们希望构建能够根据患者的症状和病史预测严重大脑问题发生概率的工具。其目标并非取代医生，而是提供第二种意见，帮助区分那些真正需要扫描的少数患者与不需要扫描的大多数患者，从而减少不必要的辐射暴露，并为所有人提高诊疗速度。
一个由来自澳大利亚、欧洲和亚洲各大学的研究小组着手测试这一想法，并使用了来自急诊科的真实世界数据。他们收集了来自十个不同国家、以头痛为主要诉求的5,000多名成年人的信息。该群体涵盖了多样化的环境，从大型大学医院到小型社区诊所。研究人员查看了每个人的广泛细节：疼痛如何开始、持续时间多久、位置在哪里、患者的年龄和病史，以及体格检查和血液检查的结果。随后，他们将这些细节与实际的CT扫描结果进行了对比。在这项研究中，“临床重要发现”意味着发现了如出血、血管异常或肿瘤等严重问题。需要注意的是，对于许多没有进行CT扫描的患者，研究人员假设他们没有严重的发现，这是此类研究中的标准做法，因为在急诊环境中极少漏掉严重的疾病。
该团队测试了三种不同类型的机器学习模型，以观察哪一种能最好地预测谁会有严重发现。其中一个模型是传统的统计方法，另外两个则是旨在寻找数据中复杂模式的更复杂的算法。当他们在一组从未见过的全新患者数据上运行这些模型时，结果非常明确。所有三个模型都能比随机猜测更好地区分有严重发现和无严重发现的患者。然而，最简单的模型，即传统的统计模型，整体表现最好。它在识别正确病例方面略胜一筹，更重要的是，它在置信水平上更加可靠。复杂的模型往往会对风险估计过高或过低，而简单的模型给出的概率则更接近现实，尤其是在大多数风险较低的患者身上。
研究发现，某些因素使得严重发现的可能性大大增加。50岁以上的患者、男性以及经历过突发性、瞬间性头痛的患者风险较高。其他强有力的指标还包括癌症病史、意识模糊、肢体无力或言语困难。相反，通常与常见偏头痛相关的特征，如单侧头部疼痛或畏光，实际上与严重问题的可能性较低有关。研究人员发现，最有效的模型有可能显著减少进行的CT扫描次数。如果医生使用这个工具来指导决策，他们可以避免在测试组中为数百名不太可能有严重状况的患者进行扫描，同时又不会漏掉那少数确实需要的患者。
尽管取得了这些令人鼓舞的结果，作者们也谨慎地指出，这并不是一个可以立即在每家医院投入使用的最终解决方案。这项研究代表了一个关键的第一步，或者说是一个“绘图阶段”，即确定问题并构建潜在的数字工具。在这样的工具被信任并改变急诊科的运作方式之前，必须在新的、真实的场景中对其进行测试，以确保它对不同人群同样有效且不会出错。研究人员还指出，他们的数据并未包含医生可能检查的所有可能的症状，而且模型是基于历史数据而非实时患者进行训练的。尽管如此，这项研究证明了机器学习可以成功地从临床特征中学习，以预测脑部扫描的需求。通过不断完善这些工具并进行进一步测试，医学界或许有一天能拥有一种可靠的方法，确保每一位需要扫描的患者都能快速获得扫描，同时免除那些并不需要的人进行不必要的程序。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。