评估机器学习模型的预测能力,使用患者特定的变量来确定THA后医院治疗结果

科学领域:

• 人工智能的人工智能
• 医疗保健中的机器学习
• 预测分析 (Predictive Analytics) 是一种分析方法.

背景情况:

• 机器学习 (ML) 使用算法建模来进行渐进式学习和预测模型创建.
• 临床ML应用程序可以帮助医生识别风险因素并预测患者的结果.

研究的目的:

• 使用优化的ML模型,比较患者特异性和情境性外科术前变量.
• 在接受全关节整形手术的患者中预测术后结果.

主要方法:

• 利用了2016-2017年全国住院患者样本数据,用于177,442次初级关节整形手术出院.
• 训练,测试和验证了10个ML模型,使用15个预测变量 (8个患者特定,7个情境).
• 评估模型的响应性 (曲线下的面积) 和可靠性,用于预测停留时间,出院安排和死亡率.

主要成果:

• 在使用所有变量时,线性支向量机 (SVM) 在所有结果中表现出最高的响应能力.
• 单独针对患者的特定变量就产生了较高的响应率 (0.639-0.952) 与情境变量 (0.469-0.589) 相比.
• 使用患者特定数据的顶级模型显示出强大的死亡率预测能力 (0.887-0.952).

结论:

• 线性SVM是最具响应性的ML模型;决策列表是最可靠的.
• 患者特异性变量在预测术后结果方面明显优于情境变量.
• 开发优化,多个ML模型对于有效的临床应用至关重要,而不是依赖单个模型.