机器学习与传统方法相比,用于预测30天的再入院后,皮肤穿透的部边缘到边缘修复
Samian Sulaiman1, Akram Kawsara1, Abdallah El Sabbagh2
1Division of Cardiology, West Virginia University, Morgantown, WV, United States of America.
概括
机器学习模型在预测中显示出前途,在30天的预测中,在中枢透导管边缘到边缘修复 (MV-TEER) 后的再入院. 像Naive Bayes和ML逻辑回归这样的算法超过了传统方法,有助于患者风险分层.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 预测伴膜透管边缘到边缘修复 (MV-TEER) 后的再入院对于患者护理至关重要.
- 识别关键预测因素有助于风险分层和优化结果.
研究的目的:
- 将机器学习 (ML) 算法的预测性能与 MV-TEER 再录取的传统后勤回归进行比较.
- 通过使用行政数据,确定最佳的ML模型来预测MV-TEER后的再接收.
主要方法:
- 使用国家再接收数据库 (2015-2018) 对接受MV-TEER的患者.
- 应用拉索回归用于变量选择,测试4个ML模型 (ML-LR,Naive Bayes,RF,ANN) 和PCA-LR.
- 将数据分成70%的培训和30%的测试集.
主要成果:
- 包括9,425个住院指数;30天再入院率为14.6%,心力衰竭是主要原因.
- ML-逻辑回归 (AUC 0.692) 和Naive Bayes (AUC 0.724) 的表现明显优于传统的PCA-LR (AUC 0.615).
- 重新入院的患者具有更高的并发症和脆弱性得分,更长的停留时间,以及更多的非家庭出院.
结论:
- 与传统方法相比,机器学习算法在预测MV-TEER后的30天再录取方面表现出卓越的能力.
- 机器学习模型提供了利用大型行政数据库进行风险分层的有价值工具.
- 进一步开发ML工具可以增强MV-TEER患者的临床决策.
