在美国每年1.37亿次急诊科(Emergency Department，ED)就诊中，3000万次就诊是儿童。随着急诊患者数量和就诊率的稳步增长，在急诊分诊时对患者进行准确的区分和优先排序非常重要。然而，当前的检伤分类系统不具备区分危重儿童的最佳能力，由于普遍的拥挤，在分诊推荐的时间内接受医生治疗的儿童比例一直在下降。因此，有必要优化分诊系统，不仅要避免重症患儿的分诊不足，还要减少分诊过度，以提供高质量和及时的护理，并实现急诊资源的有效分配。
机器学习方法已经引起了人们的关注，因为与传统方法相比，它们在各种环境和疾病条件下预测患者结果的能力更强。机器学习方法的优势包括它们能够处理预测器之间复杂的非线性关系，并产生更稳定的预测。
本研究分析了全美国代表性的急诊科就诊数据，以开发基于机器学习的分诊模型，预测急诊科分诊后儿童的临床病程。
数据来自2007年1月1日至2015年12月31日的美国医院门诊医疗护理调查(NHAMCS)的ED部分综合数据的预后研究。在此期间，该数据库记录了64042例儿童急诊科就诊。其中，排除了10792例没有分类信息的就诊，2例到达时死亡，1138例未见诊或不遵医嘱离开，以及73例数据不一致的记录。本研究在当前的分析中纳入了剩余的52037例急诊科就诊。如表1所示，在分析队列的52037次就诊中，年龄中位数为6岁(2-14岁)，24929例患者(48.0%)为女性。研究数据以7:3的比例划分为训练集和测试集。
本研究开发了参考模型（逻辑回归）和4个机器学习模型（LASSO，随机森林，梯度提升决策树，深度神经网络）来预测患者入住重症监护病房和/或院内死亡、直接住院或转院这2个结果的概率。使用C统计量（即ROC），敏感性、特异性、阳性预测值、阴性预测值、阳性似然比、阴性似然比和决策曲线分析来评估模型的预测性能。
为了深入了解每个预测变量对机器学习模型的贡献，本研究还计算了梯度增强决策树和随机森林模型中每个结果的变量重要性。
根据表1可知，163名儿童获得了重症监护结果。ROC曲线表示的不同模型的辨别能力如图1A所示。参考模型的判别能力最低（C统计量，0.78）（表2），而所有4个机器学习模型都具有高判别能力，例如，随机森林模型和深度神经网络具有更高的C统计量(随机森林:0.85，深度神经网络:0.85)。此外，与参考模型相比，所有机器学习模型都具有更高的灵敏度去预测重症监护结果。在决策曲线分析中（图1B），与参考模型相比，所有机器学习模型的净收益在阈值概率范围内都更大，梯度提升决策树和深度神经网络的净收益最大。
表1显示2352名儿童有住院结局。ROC曲线表示的不同模型的辨别能力如图2A所示。参考模型的判别能力最低（C统计量，0.73）（表2），而所有4种机器学习模型都具有显著更高的判别能力，例如，深度神经网络的C统计量为0.80。此外，与参考模型相比，所有机器学习模型都具有更高的特异性来预测住院结果。在决策曲线分析（图2B）中，与参考模型相比，大多数机器学习模型的净收益在阈值概率范围内更大；除了随机森林模型，当阈值低于大约3%时，它的净收益较低。
图3和图4展示了梯度提升决策树中每个结果的变量重要性。对于这两种结果，年龄、生命体征（例如，氧饱和度和呼吸频率）和到达方式（例如，救护车）都是重要的预测因素。结果与随机森林模型一致。
综上所述，与传统的分诊方法相比，机器学习方法在急诊科分诊中的应用提高了预测临床和处置结果的判别能力。此外，机器学习方法在预测重症监护结果方面具有很高的灵敏度，并且在预测住院结果方面具有更高的特异性。
