A Multi-Phase Analysis of Blood Culture Stewardship: Machine Learning Prediction, Expert Recommendation Assessment, and LLM Automation
Created by
Haebom
저자
Fatemeh Amrollahi, Nicholas Marshall, Fateme Nateghi Haredasht, Kameron C Black, Aydin Zahedivash, Manoj V Maddali, Stephen P. Ma, Amy Chang, MD Phar Stanley C Deresinski, Mary Kane Goldstein, Steven M. Asch, Niaz Banaei, Jonathan H Chen
개요
본 논문은 응급실 환자 135,483명의 혈액 배양 검사 주문에 대한 연구를 통해, 구조화된 전자 건강 기록(EHR) 데이터와 대규모 언어 모델(LLM)을 이용한 의사 노트를 사용하여 패혈증 위험을 예측하는 머신러닝(ML) 모델을 개발했습니다. 구조화된 데이터만을 사용한 모델의 AUC는 0.76이었으나, 의사 노트 임베딩을 추가하여 0.79로, 진단 코드를 추가하여 0.81로 향상되었습니다. ML 모델은 전문가 권장안 및 LLM 기반 파이프라인보다 높은 특이도를 유지하면서 민감도를 저하시키지 않았습니다. 전문가 권장안은 민감도 86%, 특이도 57%였고, LLM은 민감도 96%였지만 특이도가 16%로 낮았습니다. 이는 구조화 및 비구조화 데이터를 통합한 ML 모델이 기존 표준 진료보다 진단 관리를 향상시킬 수 있음을 보여줍니다.
시사점, 한계점
•
시사점:
◦
머신러닝 모델을 이용하여 패혈증 위험 예측의 정확도를 향상시킬 수 있음을 보여줌.
◦
구조화된 데이터와 비구조화된 데이터(의사 노트)를 통합하여 모델 성능을 향상시킬 수 있음을 제시.
◦
기존 전문가 권고안보다 높은 특이도를 유지하면서 민감도를 유지하는 예측 모델 개발 가능성을 제시.
◦
불필요한 혈액 배양 검사 감소 및 항생제 사용 감소에 기여할 수 있음.
•
한계점:
◦
본 연구는 특정 병원의 데이터에 기반하였으므로, 다른 병원이나 환경에서의 일반화 가능성에 대한 추가 연구 필요.
