
-
生物通官微
陪你抓住生命科技
跳动的脉搏
可解释人工智能框架预测结肠镜检查转诊优先性的开发与外部验证
《International Journal of Colorectal Disease》:Artificial intelligence–driven prioritization of colonoscopy referrals using multicenter clinical data: addressing imbalanced and incomplete data
【字体: 大 中 小 】 时间:2026年10月13日 来源:International Journal of Colorectal Disease 2.9
编辑推荐:
摘要目的结肠镜检查的等待时间过长以及转诊优先级的确定存在挑战,导致内镜检查科室的工作积压,可能延迟结直肠癌(CRC)和其他具有临床意义的疾病的诊断。在魁北克,目前是根据AH-702转诊表中记录的结构化临床指征来优先安排结肠镜检查的。本研究旨在开发并外部验证一种可解释的人工智能(A
结肠镜检查的等待时间过长以及转诊优先级的确定存在挑战,导致内镜检查科室的工作积压,可能延迟结直肠癌(CRC)和其他具有临床意义的疾病的诊断。在魁北克,目前是根据AH-702转诊表中记录的结构化临床指征来优先安排结肠镜检查的。本研究旨在开发并外部验证一种可解释的人工智能(AI)框架,以预测多个医疗中心的结肠镜检查转诊优先级,同时解决数据缺失和类别不平衡的问题。
这项多中心回顾性研究涉及2018年至2022年间在加拿大魁北克两个三级医疗机构接受结肠镜检查的11,680名患者。研究利用135个临床、人口统计学、诊断和病理学特征,通过高级插补技术和合成数据生成方法训练了一个多类别决策树模型。该模型在内部保留的测试集和独立的2,977名患者的外部队列中进行了评估。
优化后的模型在内部保留的测试集上的接收者操作特征曲线下面积(AUROC)为98.4%,平衡准确率为95.7%。外部评估显示AUROC为97.9%,平衡准确率为96.4%。当省略AH-702转诊表中的22个结构化指标字段时,内部平衡准确率降至28.1%,外部降至28.5%;相应地,AUROC分别降至60.1%和61.3%。这些结果表明,该模型识别出具有临床意义的转诊指标作为关键预测因素,这与现有的AH-702优先级框架一致。
这种可解释的AI框架在预测三个医疗中心的结肠镜检查转诊优先级方面表现出良好的回顾性性能。研究结果支持进一步探索其作为转诊优先级决策支持工具的潜力,有待前瞻性验证。
结肠镜检查的等待时间过长以及转诊优先级的确定存在挑战,导致内镜检查科室的工作积压,可能延迟结直肠癌(CRC)和其他具有临床意义的疾病的诊断。在魁北克,目前是根据AH-702转诊表中记录的结构化临床指征来优先安排结肠镜检查的。本研究旨在开发并外部验证一种可解释的人工智能(AI)框架,以预测多个医疗中心的结肠镜检查转诊优先级,同时解决数据缺失和类别不平衡的问题。
这项多中心回顾性研究涉及2018年至2022年间在加拿大魁北克两个三级医疗机构接受结肠镜检查的11,680名患者。研究利用135个临床、人口统计学、诊断和病理学特征,通过高级插补技术和合成数据生成方法训练了一个多类别决策树模型。该模型在内部保留的测试集和独立的2,977名患者的外部队列中进行了评估。
优化后的模型在内部保留的测试集上的接收者操作特征曲线下面积(AUROC)为98.4%,平衡准确率为95.7%。外部评估显示AUROC为97.9%,平衡准确率为96.4%。当省略AH-702转诊表中的22个结构化指标字段时,内部平衡准确率降至28.1%,外部降至28.5%;相应地,AUROC分别降至60.1%和61.3%。这些结果表明,该模型识别出具有临床意义的转诊指标作为关键预测因素,这与现有的AH-702优先级框架一致。
这种可解释的AI框架在预测三个医疗中心的结肠镜检查转诊优先级方面表现出良好的回顾性性能。研究结果支持进一步探索其作为转诊优先级决策支持工具的潜力,有待前瞻性验证。