PURPOSE In this study, we aimed to develop a novel prediction model to identify patients in need of a non-contrast head CT exam during emergency department (ED) triage. METHODS We collected data of all adult ED visits in our institution for five consecutive years (1/2013-12/2017). Retrieved variables included the following: demographics, mode of arrival to the ED, comorbidities, home medications, structured and unstructured chief complaints, vital signs, pain scale score, emergency severity index, ED wing assignment, documentation of previous ED visits, hospitalizations and CTs, and current visit non-contrast head CT usage. A machine learning gradient boosting model was trained on data from the years 2013-2016 and tested on data from 2017. Area under the curve (AUC) was used as metrics. Single-variable AUCs were also determined. Youden's index evaluated optimal sensitivity and specificity of the models. RESULTS The final cohort included 595,561 ED visits. Non-contrast head CT usage rate was 11.8%. Each visit was coded into an input vector of 171 variables. Single-variable analysis showed that chief complaint had the best single predictive analysis (AUC = 0.87). The best model showed an AUC of 0.93 (95% CI 0.931-0.936) for predicting non-contrast head CT usage at triage level. The model had a sensitivity of 88.1% and specificity of 85.7% for non-contrast head CT utilization. CONCLUSION The developed model can identify patients that need to undergo head CT exam already in the ED triage level and by that allow faster diagnosis and treatment.

中文翻译：

---

使用机器学习模型在急诊科分类中促进头部CT检查。

目的在这项研究中，我们旨在开发一种新颖的预测模型，以识别急诊科（ED）分诊期间需要进行非对比头CT检查的患者。方法我们连续五年（1 / 2013-12 / 2017）收集了我们机构中所有成人ED访视的数据。检索到的变量包括以下内容：人口统计学，到达急诊室的方式，合并症，家庭用药，结构化和非结构化主诉，生命体征，疼痛量表评分，紧急程度指数，急诊室机翼分配，既往急诊室就诊记录，住院和CT ，以及当前访问的非对比头CT使用情况。使用2013-2016年的数据训练了机器学习梯度提升模型，并使用2017年的数据进行了测试。曲线下面积（AUC）用作度量。还确定了单变量AUC。优登 s指数评估了模型的最佳敏感性和特异性。结果最终队列包括595,561次ED访问。头颅CT的非对比使用率为11.8％。每次访问都被编码到171个变量的输入向量中。单变量分析表明，主诉具有最佳的单项预测分析（AUC = 0.87）。最好的模型显示AUC为0.93（95％CI为0.931-0.936），用于预测在分流级别的非对比头CT使用情况。该模型对非对比头CT的利用敏感性为88.1％，特异性为85.7％。结论所开发的模型可以识别出需要在ED分类中进行头部CT检查的患者，从而可以更快地进行诊断和治疗。头颅CT的非对比使用率为11.8％。每次访问都被编码到171个变量的输入向量中。单变量分析表明，主诉具有最佳的单项预测分析（AUC = 0.87）。最好的模型显示AUC为0.93（95％CI为0.931-0.936），以预测在分流级别的非对比头CT使用情况。该模型对非对比头CT的利用敏感性为88.1％，特异性为85.7％。结论所开发的模型可以识别出需要在ED分类中进行头部CT检查的患者，从而可以更快地进行诊断和治疗。头颅CT的非对比使用率为11.8％。每次访问都被编码到171个变量的输入向量中。单变量分析表明，主诉具有最佳的单项预测分析（AUC = 0.87）。最好的模型显示AUC为0.93（95％CI为0.931-0.936），以预测在分流级别的非对比头CT使用情况。该模型对非对比头CT的利用敏感性为88.1％，特异性为85.7％。结论所开发的模型可以识别出需要在ED分类中进行头部CT检查的患者，从而可以更快地进行诊断和治疗。936）用于在分类级别预测非对比头CT使用情况。该模型对非对比头CT的利用敏感性为88.1％，特异性为85.7％。结论所开发的模型可以识别出需要在ED分类中进行头部CT检查的患者，从而可以更快地进行诊断和治疗。936）用于在分类级别预测非对比头CT使用情况。该模型对非对比头CT的利用敏感性为88.1％，特异性为85.7％。结论所开发的模型可以识别出需要在ED分类中进行头部CT检查的患者，从而可以更快地进行诊断和治疗。