Validating Acute Coronary Syndrome ICD Codes as Training Labels for Clinical AI
这项针对近62万次急诊就诊情况的十年回顾性研究证实，尽管ICD编码的急性冠脉综合征标签具有较高的敏感性和特异性，但其中等的阳性预测值是由系统性的、可解释的误差所驱动的——主要是后来被排除的疑似病例或编码员的遗漏——这使得它们适合作为AI筛查模型的训练标签，在这些模型中，漏诊比过度识别更为关键。
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
在急诊科，时间是最关键的资源。当患者因胸痛就诊时，医生必须迅速判断其是否正遭受急性冠脉综合征的折磨——这是一种由于血液流向心脏的通道被阻塞而导致的致命疾病。漏诊这一诊断可能会导致死亡，但对每一位走进医院的人都进行全套心脏检查是不可能的。为了解决这个问题，医院正越来越多地转向人工智能。这些计算机程序通过研究数百万份过去的医疗记录来学习识别危险，寻找人类肉眼可能忽略的模式。然而，为了让计算机能够正确学习，它需要一位了解真相的“老师”。在医疗数据的世界里，那位老师通常是一个计费代码——这是一个分配给患者就诊记录的简短、标准化的标签，用于处理保险和医院会计事务。研究人员面临的一个重大问题是：这些行政标签是否足够准确，足以教会机器如何拯救生命，还是说它们包含过多的错误而无法被信任。
斯坦福大学的一个研究小组着手通过观察十年的急诊就诊记录来回答这个问题。他们检查了 2015 年至 2024 年间近 62 万例成年人的就诊记录，将分配给患者的计费代码与医疗团队最终书写的实际诊断进行了对比。研究人员想要观察计算机可读的代码是否与人类医生的结论相匹配。他们发现，计费代码对于其预定用途而言是非常可靠的。当代码显示患者患有心脏疾病时，医生在 100 例中有 94 例证实了这一点。更重要的是，这些代码极少漏掉真实的病例；在每 10,000 次就诊中，它们仅未能标记出 4 例确诊的心脏病患者。这意味着该系统在捕捉需要帮助的人群方面表现极其出色，而这正是作为一种筛查工具最重要的目标。
这项研究确实表明计费代码并非完美无缺，但其错误遵循着清晰且可理解的模式，而非随机错误。当代码出错时，通常是因为它标记了一名被怀疑患有心脏病但随后被医生排除风险的患者。在这些案例中，患者表现出了非常类似于心脏病发作的症状，例如心肌炎症或压力诱发的心脏问题，医疗团队花费了时间来排除最危险的可能性。从一个旨在筛查危险的人工智能的角度来看，这些并不属于失败。一个会标记这些患者的系统确保了不会忽视任何潜在的心脏危机，即便这意味着一些最终证明安全的人也会接受更仔细的检查。在极少数漏掉真实心脏病发作的情况下，是因为医疗编码员仅仅是忽略了医生的笔记，而不是因为诊断不明确。
这些发现表明，使用计费代码来训练人工智能是急诊科的一种可靠策略。计算机学习识别心脏问题的广泛且紧迫的模式，包括那些最终证明程度较轻的情况，因为漏掉一次真实心脏病发作的代价，远高于对一名安全人士进行额外检查的代价。研究人员证实，数据中的错误是系统性的且可预测的，这意味着在构建这些模型时可以考虑到这些因素。通过依赖这些代码，医院可以开发出充当高度敏感安全网的工具，确保最危重的患者在到达时能立即被识别出来。研究结论认为，虽然没有任何单一的数据点是完美的，但这些代码的整体准确性足以支持下一代救命医疗技术的发展。
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。