适当给药的辐射对放疗中的患者安全至关重要。目前的质量保证在很大程度上取决于同行评审过程,其中医生对每个患者的治疗计划的同行评审,包括剂量和分馏。但是,这样的过程是手动和费力。由于时间限制和案例,医生可能无法识别错误。我们设计了一种新型的处方异常检测算法,利用历史数据来预测异常情况。这样的工具可以作为电子对等体,他们将协助同行评审过程为患者提供额外的安全性。在我们的主要模型中,我们创建了两个不相似度量,R和F.R定义了新患者的处方来自历史处方的距离。 F表示患者功能集的远距离来自该组的具有相同或类似的处方。如果指标大于特定的优化截止值,则我们标记处方。我们使用胸癌患者(n = 2356)作为一个例子并提取七个特征。在这里,我们报告我们的测试F1评分,不同治疗技术组的75%-94%。我们还通过三个胸专家进行模拟同行评审,独立验证我们的结果。与手动对等审查医生相比,我们的模型具有较低的2次错误率。我们的型号与传统机器学习算法相比具有许多优点,特别是它不会遭受阶级不平衡。它还可以解释为什么它标记每种情况并单独的处方和非处方相关的功能而不从数据学习。
translated by 谷歌翻译