AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
Created by
- Haebom
Category
Empty
저자
Hui-Lee Ooi, Nicholas Mitsakakis, Margerie Huet Dastarac, Roger Zemek, Amy C. Plint, Jeff Gilchrist, Khaled El Emam, Dhenuka Radhakrishnan
개요
본 연구는 전자 의무 기록(EMR)과 기계 학습(ML) 알고리즘을 활용하여 천식 재발 위험이 있는 어린이를 정확하게 식별하고 예방적 치료를 위한 의뢰를 용이하게 하는 것을 목표로 합니다. 이를 위해, 어린이 병원의 EMR 데이터를 사용하여 천식 관련 응급실(ED) 방문이나 입원과 같은 심각한 재발을 예측하는 다양한 ML 모델을 개발했습니다. LightGBM(LGBM), XGBoost(XGB)와 같은 부스팅 트리 모델과 DistilGPT2, Llama 3.2 1B 및 Llama-8b-UltraMedical을 포함한 3가지 오픈 소스 대규모 언어 모델(LLM)을 사용했으며, 2개의 데이터 세트(사전 및 사후 COVID-19)에서 모델을 훈련, 조정 및 검증했습니다. LGBM 모델이 가장 좋은 성능을 보였으며, 현재 결정 규칙보다 유의미한 개선을 보였습니다.
시사점, 한계점
•
시사점:
◦
ML 모델은 천식 재발 위험이 있는 어린이를 효과적으로 식별할 수 있습니다.
◦
LGBM 모델이 다른 모델보다 더 나은 예측 성능을 보였습니다.
◦
가장 예측력이 높은 특징들을 파악하여, 천식 관리 및 예방에 기여할 수 있습니다.
◦
현재의 결정 규칙보다 유의미한 개선을 보였습니다.
•
한계점:
◦
데이터는 단일 기관(Children's Hospital of Eastern Ontario, CHEO)에서 수집되었으므로, 다른 환경에서의 일반화에는 한계가 있을 수 있습니다.
◦
사전 및 사후 COVID-19 데이터의 시점 차이로 인해 모델 성능에 영향을 미칠 수 있습니다.
◦
LLM 모델의 성능이 부스팅 트리 모델에 비해 낮았습니다.
