Shall we repeat? Predicting the necessity to repeat blood testing in pediatric emergency departments of laboratory tests previously performed in the community using a machine learning model.

چکیده اصلی

Community‑ordered laboratory blood tests are frequently re-ordered when the patients arrive at the pediatric emergency departments. When only a few hours separate the initial community blood tests from assessment in the emergency department, repeated laboratory testing often does not contribute to clinical management. Additional testing can inconvenience patients, increase out-of-pocket costs for patients and families, add costs to the healthcare system, and delay clinical decision-making. To address this issue, we collected community-issued laboratory tests for complete blood count, electrolytes, and C-reactive protein for children aged three months to 18 years treated in pediatric emergency departments within a nationwide Health Maintenance Organization. These were compared to repeated laboratory tests performed in the pediatric emergency department within 12 hours. Using these data, we first analyzed the frequency of the justified repeated testing according to pre-set criteria. Next, we developed a decision-support machine learning model to predict whether a laboratory test should be repeated, leveraging the patient's prior community laboratory results and sociodemographic features. For complete blood count, electrolytes, and C-reactive protein, we found that only 13.3%, 16.3%, and 19.0% of the repeated tests, respectively, were deemed justified. Moreover, we show that an out-of-the-box XGboost model can predict the necessity for repeating these laboratory tests with 91.8%, 89.1%, and 79.2% accuracy, respectively. In the absence of false negatives, a condition of high clinical importance, the model maintains accuracies of 73.9%, 67.3%, and 55.4% for the three laboratory categories, respectively. This performance level remains sufficient to substantially reduce unnecessary repeat testing for complete blood count and electrolyte tests, but less so for C-reactive protein. The benefits of the model in clinical practice should be further studied.

ترجمه فارسی چکیده

آزمایش‌های خونی که در محیط جامعه سفارش داده شده‌اند، اغلب هنگام ورود بیماران به بخش‌های اورژانس کودکان دوباره سفارش داده می‌شوند. وقتی تنها چند ساعت فاصله بین آزمایش‌های اولیه و ارزیابی در بخش اورژانس وجود دارد، تکرار آزمایش اغلب به مدیریت بالینی کمک نمی‌کند. آزمایش‌های اضافی می‌تواند برای بیمار و خانواده‌ها ناراحتی ایجاد کند، هزینه‌های جاری را افزایش دهد، هزینه‌های سیستم سلامت را بالا ببرد و تصمیم‌گیری بالینی را به تأخیر بیندازد. برای حل این مشکل، ما آزمایش‌های خونی انجام شده در محیط جامعه برای شمارش کامل سلول‌های خونی، الکترولیت‌ها و پروتئین واکنشی سی (CRP) را برای کودکان بین ۳ ماه تا ۱۸ سال که در بخش‌های اورژانس کودکان تحت پوشش یک سازمان حفظ سلامت سراسری درمان می‌شدند، جمع‌آوری کردیم. این‌ها با آزمایش‌های تکرار شده در بخش اورژانس کودکان در عرض ۱۲ ساعت مقایسه شدند. با استفاده از این داده‌ها، ابتدا فرکانس آزمایش‌های تکرار شده که توجیه‌پذیر بودند بر اساس معیارهای از پیش تعیین شده را تحلیل کردیم. در مرحله بعد، یک مدل یادگیری ماشین برای پشتیبانی تصمیم توسعه دادیم تا پیش‌بینی کنیم آیا یک آزمایش خونی باید تکرار شود یا خیر، با استفاده از نتایج آزمایش قبلی بیمار و ویژگی‌های اجتماعی-دموگرافیک. برای شمارش کامل سلول‌های خونی، الکترولیت‌ها و پروتئین واکنشی سی،我们发现 فقط ۱۳.۳٪، ۱۶.۳٪ و ۱۹.۰٪ از آزمایش‌های تکرار شده به ترتیب توجیه‌پذیر شمرده شدند. علاوه بر این، نشان دادیم که یک مدل XGboost آماده‌سازی شده (out-of-the-box) می‌تواند ضرورت تکرار این آزمایش‌ها را با دقت ۹۱.۸٪، ۸۹.۱٪ و ۷۹.۲٪ به ترتیب پیش‌بینی کند. در صورت نبود مثبت کاذب (که یک شرط با اهمیت بالینی بالا است)، مدل دقت‌های ۷۳.۹٪، ۶۷.۳٪ و ۵۵.۴٪ را برای سه دسته آزمایشی به ترتیب حفظ می‌کند. این سطح عملکرد همچنان کافی است تا آزمایش‌های تکرار ناخواسته برای شمارش کامل سلول‌های خونی و الکترولیت‌ها به طور قابل توجهی کاهش یابد، اما برای پروتئین واکنشی سی کمتر. مزایای این مدل در عمل بالینی باید بیشتر مورد مطالعه قرار گیرد.

متن کامل اصلی