利用機器學習支持醫院血庫的血小板發放和減少浪費

核心概念

該研究提出了一種基於機器學習的血小板發放策略，透過預測哪些血小板單元可能會被退回，優先發放更新鮮的單元給更有可能輸血的患者，從而減少醫院血庫中的血小板浪費。

摘要

書目資訊

Farrington, J., Alimam, S., Utley, M., Li, K., & Wong, W. K. (2024). Many happy returns: machine learning to support platelet issuing and waste reduction in hospital blood banks. arXiv preprint arXiv:2411.14939.

研究目標

本研究旨在探討利用機器學習預測血小板退回的可能性，並基於此預測制定更優化的血小板發放策略，以減少醫院血庫中的血小板浪費。

研究方法

• 研究人員收集了倫敦大學學院醫院 2015 年至 2017 年間的血小板庫存數據，包括血小板申請、發放、輸血和退回記錄。
• 他們使用 XGBoost 算法訓練了一個機器學習模型，用於預測每個血小板申請是否會導致至少一個單元被退回。
• 研究人員開發了一個模擬醫院血庫工作流程的系統，並使用該系統評估了不同發放策略（包括傳統的先進先出發放策略和基於機器學習預測的新策略）對血小板浪費和服務水平的影響。

主要發現

• 訓練後的機器學習模型在預測血小板退回方面表現良好，測試集的 AUROC 為 0.74。
• 模擬結果顯示，與傳統的先進先出發放策略相比，基於機器學習預測的新發放策略可以將血小板浪費減少 14%，同時保持服務水平。
• 研究還發現，當血小板單元到達血庫時的剩餘使用壽命較短或退貨率較高時，新策略的效果更為顯著。

主要結論

該研究表明，基於機器學習的預測模型可以有效地預測血小板退回，並可以用於制定更優化的血小板發放策略，從而減少醫院血庫中的血小板浪費。

研究意義

這項研究為利用機器學習技術改善醫院血庫管理提供了新的思路，並為減少血小板浪費和提高患者安全做出了貢獻。

研究局限和未來研究方向

• 本研究僅考慮了一種血小板類型，並假設任何單元都可以滿足任何患者的需求，未考慮血型匹配和特殊輸血需求。
• 研究假設醫院血庫工作人員始終遵循既定的補貨和發放政策，但實際情況可能並非如此。
• 未來的研究可以進一步優化機器學習模型，例如納入更多患者信息（如診斷、手術和輸血指征）作為預測變量。

統計資料

2017/2018 年，英國醫院發放的血小板單元中有 4.5% 被浪費，成本為 200 萬英鎊。
2022/2023 年，英國的血小板浪費率上升至 4.8%（在發放的 247,416 個單元中，有 11,758 個單元被報告為浪費）。
在這項研究中，研究人員發現他們合作醫院在 2015 年和 2016 年發放的血小板單元中有 8% 未被輸血。
他們訓練的機器學習模型在 9,353 個血小板申請的測試集中獲得了 0.74 的 AUROC。
使用他們的模擬，估計使用他們的機器學習模型可以減少 14% 的浪費。

引述

"Efforts to reduce platelet wastage in hospital blood banks have focused on ordering policies, but the predominant practice of issuing the oldest unit first may not be optimal when some units are returned unused."
"Our ML model trained to predict returns on 17,297 requests for platelets gave AUROC 0.74 on 9,353 held-out requests."
"Using our trained model in the simulation gave an estimated reduction in wastage of 14%."

從以下內容提煉的關鍵洞見

Many happy returns: machine learning to support platelet issuing and waste reduction in hospital blood banks

by Joseph Farri... 於 arxiv.org 11-25-2024

https://arxiv.org/pdf/2411.14939.pdf

深入探究

除了預測血小板退回之外，機器學習還可以應用於醫院血庫管理的哪些其他方面？

除了預測血小板退回之外，機器學習還可以應用於醫院血庫管理的以下方面：

血液需求預測： 機器學習模型可以利用歷史數據、患者人口統計信息、臨床診斷、預定手術等因素，更準確地預測未來的血液需求。這將有助於醫院血庫優化庫存水平，減少浪費，並確保血液供應充足。
血液供應鏈管理： 機器學習可以優化血液從捐贈到輸血的整個供應鏈，包括血液採集計劃、血液成分分配、運輸路線優化等，從而提高效率並減少浪費。
血液安全： 機器學習可以幫助識別有潛在風險的血液捐贈，例如檢測血液樣本中的傳染性疾病標誌物，從而提高血液安全性。
血液交叉配型： 機器學習可以開發更精確和高效的血液交叉配型算法，以確保患者獲得最匹配的血液，減少輸血反應的風險。
個性化輸血策略： 機器學習可以根據患者的個體特徵（例如年齡、性別、病史、基因信息等）和臨床指標，制定個性化的輸血策略，以提高輸血療效並減少不必要的輸血。

如何在確保患者安全和醫療倫理的前提下，將基於機器學習的預測模型應用於臨床決策？

在確保患者安全和醫療倫理的前提下，將基於機器學習的預測模型應用於臨床決策需要謹慎和多方面的考量：

模型透明度和可解釋性： 選擇可解釋性較高的機器學習模型，例如決策樹或邏輯回歸，以便臨床醫生理解模型預測背後的邏輯，並對模型預測結果進行評估和驗證。
模型驗證和臨床試驗： 在將機器學習模型應用於臨床決策之前，必須進行嚴格的模型驗證和臨床試驗，以確保模型的準確性、可靠性和安全性。
數據隱私和安全： 確保患者數據的隱私和安全，遵守相關的數據保護法規，並獲得必要的倫理審查和患者知情同意。
臨床決策輔助而非替代： 機器學習模型應作為臨床決策的輔助工具，而不是替代醫生的專業判斷。臨床醫生應根據患者的具體情況和臨床經驗，綜合考慮模型預測結果和其他因素，做出最終的臨床決策。
持續監測和評估： 對機器學習模型的性能進行持續監測和評估，以及時發現和解決模型偏差、錯誤或其他問題，並根據臨床實踐經驗對模型進行調整和優化。
倫理審查和社會共識： 在開發和應用基於機器學習的臨床決策支持系統時，應積極尋求倫理審查委員會的指導，並與社會各界進行充分的溝通和討論，以確保技術的應用符合倫理原則和社會價值觀。

如果將血小板的剩餘使用壽命與患者的具體情況（例如病情嚴重程度）聯繫起來，是否可以進一步優化血小板發放策略？

將血小板的剩餘使用壽命與患者的具體情況聯繫起來，的確有可能進一步優化血小板發放策略，但需要綜合考慮多方面因素：

患者病情嚴重程度： 對於病情危急、預計短期內需要多次輸血的患者，優先使用更新鮮的血小板可能更為合理，以確保輸血療效。
血小板供應情況： 在血小板供應緊張的情況下，需要權衡患者需求和資源配置，避免因為過度追求新鮮度而導致其他患者無法獲得必要的輸血治療。
臨床研究證據： 目前關於血小板儲存時間與輸血療效之間關係的研究結果尚不完全一致，需要更多臨床研究證據支持將血小板新鮮度納入發放策略的制定。
可能的優化方向：

建立分級發放策略： 根據患者病情嚴重程度、預計輸血次數等因素，將患者分為不同的優先級別，優先為高優先級患者提供更新鮮的血小板。
開發預測模型： 利用機器學習技術，開發預測模型，根據患者的個體特徵和臨床指標，預測患者對血小板新鮮度的敏感性，並據此制定個性化的發放策略。
動態調整發放策略： 根據血小板庫存情況、患者需求變化等因素，動態調整發放策略，以實現資源的最優配置。
需要注意的是：

任何發放策略的調整都應以確保患者安全為前提，並遵循相關的臨床指南和規範。
在實施新的發放策略之前，應進行充分的評估和驗證，以確保策略的有效性和安全性。