XiaoMi-AI文件搜索系统
World File Search Systemadmissions
对急诊入院的人工智能驱动的 COVID-19 分类进行真实世界评估：无实验室和高通量筛查解决方案的外部验证和操作评估 Andrew AS Soltan 博士 MB BChir 1,2 Jenny Yang MSc 3 Ravi Pattanshetty 博士 FRCEM 1 Alex Novak 博士 FRCEM 1 Yang Yang 博士 DPhil 3 Omid Rohanian 博士 PhD 3 Sally Beer 1 Marina A. Soltan 博士 MRCP 5,6 David R. Thickett 教授 FRCP 5,6 Rory Fairhead 博士 BA 4 CURIAL 转化合作组织 Tingting Zhu 博士 DPhil 3 David W. Eyre 教授 DPhil 1,7,8 David A. Clifton 教授 DPhil 3 附属机构：
摘要背景患者 COVID-19 状态的不确定性导致治疗延迟、院内传播和医院的运营压力。但是，批量处理的实验室 PCR 测试的典型周转时间仍然为 12-24 小时。尽管快速抗原横向流动检测 (LFD) 已在英国急救环境中得到广泛采用，但灵敏度有限。我们最近证明，AI 驱动的分类 (CURIAL-1.0) 可以使用抵达医院后 1 小时内常规获得的临床数据进行高通量 COVID-19 筛查。在这里，我们旨在确定与标准护理相比的运营和安全性改进，使用针对通用性和速度优化的更新算法在四个 NHS 信托机构中进行外部/前瞻性评估，并在英国急诊室部署一种新的无实验室筛查途径。方法我们对 CURIAL-1.0 中的预测因子进行了合理化，以分别优化通用性和速度，开发了具有生命体征和常规实验室血液预测因子（FBC、U&E、LFT、CRP）的 CURIAL-Lab 以及仅具有生命体征和 FBC 的 CURIAL-Rapide。在训练期间，模型被校准到 90% 的灵敏度，并针对朴茨茅斯大学医院、伯明翰大学医院和贝德福德郡医院 NHS 信托的非计划入院情况进行了外部验证，并在英国 COVID-19 疫情第二波期间在牛津大学医院 (OUH) 进行了前瞻性验证。使用首次进行的血液测试和生命体征生成预测值，并与确认性病毒核酸检测进行比较。接下来，我们回顾性评估了一种新的临床途径，将患者分类到模型预测或 LFD 结果为阳性的 COVID-19 疑似临床区域，并将灵敏度和 NPV 与单独的 LFD 结果进行比较。最后，我们部署了 CURIAL-Rapide 和经批准的即时诊断 FBC 分析仪（OLO；SightDiagnostics，以色列），在约翰拉德克利夫医院急诊科（英国牛津）提供无需实验室的 COVID-19 筛查，这是信托机构认可的服务改进。我们的主要改进结果是获得结果的时间可用性；次要结果是根据 PCR 参考标准评估的敏感性、特异性、PPV 和 NPV。我们将 CURIAL-Rapide 的性能与标准护理中的临床医生分诊和 LFD 结果进行了比较。结果 72,223 名患者符合外部和前瞻性验证站点的资格标准。各信托机构的模型性能一致（CURIAL-Lab：AUROC 范围 0.858-0.881；CURIAL-Rapide 0.836-0.854），朴茨茅斯大学医院的灵敏度最高（CURIAL-Lab：84.1% [95% Wilson 评分 CIs 82.5-85.7]；CURIAL-Rapide：83.5% [81.8 - 85.1]），特异性为 71.3%（95% Wilson 评分 CIs：70.9 - 71.8）和 63.6%（63.1 - 64.1）。对于 2021 年 12 月 23 日至 2021 年 3 月 6 日期间在 OUH 入院常规护理中接受 LFD 分诊的 3,207 名患者，联合临床路径将灵敏度从 56 提高。仅 LFD 为 9%（95% CI 51.7-62.0），而 CURIAL-Rapide 为 88.2%（84.4-91.1；AUROC 0.919），CURIAL-Lab 为 85.6%（81.6-88.9；AUROC 0.925）。2021 年 2 月 18 日至 2021 年 5 月 10 日期间，520 名患者前瞻性地接受了即时临床 FBC 分析，其中 436 名患者在常规护理中接受了确认性 PCR 检测，10 名（2.3%）检测呈阳性。从患者到达到获得 CURIAL-Rapide 结果的中位时间为 45:00 分钟（32-64），比 LFD 快 16 分钟（26.3%）
引用：Van Grootven B、Jepma P、Rijpkema C 等人。心脏病患者再入院预测模型：系统评价
摘要 目的 描述临床预测模型的判别和校准，确定有助于更好预测的特征，并研究与计划外再入院相关的预测因素。设计 系统评价和荟萃分析。数据来源 截至 2020 年 8 月 25 日，对 Medline、EMBASE、ICTPR（用于研究方案）和 Web of Science（用于会议论文集）进行了搜索。 选择研究的资格标准 如果研究报告了 (1) 患有急性心脏病的住院成年患者；(2) 具有 c 统计量的预测模型的临床表现；(3) 6 个月内计划外再入院，则符合条件。主要和次要结果测量 使用一致性 (c) 统计和模型校准来测量 6 个月内计划外再入院的模型判别。进行了元回归和亚组分析以调查预定义的异质性来源。汇总了多个独立队列报告的模型的结果测量值和类似定义的风险预测因子。结果 共纳入 60 项研究，描述 81 个模型：43 个模型是新开发的，38 个模型经过外部验证。纳入的人群主要是心力衰竭 (HF) 患者 (n=29)。平均年龄在 56.5 至 84 岁之间。再入院率为 3% 至 43%。几乎所有研究的偏倚风险 (RoB) 都很高。72 个模型的 c 统计量 <0.7，16 个模型的 c 统计量在 0.7 至 0.8 之间，5 个模型的 c 统计量 >0.8。研究人群、数据来源和预测因子数量是影响区分度的重要调节因素。27 个模型报告了校准情况。只有 GRACE（全球急性冠脉事件登记）评分在独立队列中具有足够的区分度（0.78，95% CI 0.63 至 0.86）。汇总了 18 个预测因子。 结论 一些有前景的模型在用于临床实践之前需要更新和验证。缺乏独立验证研究、高 RoB 和测量预测因子的低一致性限制了它们的适用性。PROSPERO 注册号 CRD42020159839。
COVID-19 大流行期间炎症性风湿病的住院情况：发病率和疾病调节剂的作用
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。
2018 年春季全因入院和再入院
减少可避免的住院和再入院仍然是医疗质量改进的重点。可避免的住院和再入院使患者远离日常生活，使他们在紧急情况下面临潜在危害，并导致不必要的医疗支出。为了激励减少不必要的再入院，再入院率的衡量标准已成为基于价值的采购计划的重点。虽然各种各样的医疗保健利益相关者都支持减少不必要住院的目标，但关于再入院的目标率、适当的归因方法以及这些衡量标准是否应与提供者付款挂钩的争论仍然存在。系统评价发现，不到三分之一的再入院可能被认为是可以预防的。1 此外，与再入院率相关的许多因素可能超出了医院的控制范围，例如患者的社会风险或其服务社区可用的资源。另一方面，高再入院率与护理协调不力和护理质量低下有关，也与更高的医疗保健支出和增加的医疗风险有关。有多种干预措施被发现有助于降低可避免的入院和再入院率，例如改善患者出院指示的沟通、与急性后期护理提供者和初级保健医生的协调，以及减少医院内获得性疾病等并发症。2,3
