评估机器学习算法来预测泌尿病患者的30天计划外再入院 (PURE)
Koen Welvaars1,2, Michel P J van den Bekerom3,4, Job N Doornberg5
1Data Science Team, OLVG, Jan Tooropstraat 164, 1061 AE, Amsterdam, the Netherlands. k.welvaars01@umcg.nl.
BMC medical informatics and decision making
|June 13, 2023
概括
这项研究开发了一种机器学习计算器,用于预测泌尿病患者在30天内计划外再入院的情况. 分类模型,特别是XGBoost,在识别高风险患者重新入院方面表现出卓越的表现.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 非计划性住院再接收会带来重大的临床和财务负担.
- 预测再入院对于改善患者的治疗结果和医院资源管理至关重要.
- 泌尿病科面临着有效管理患者出院的挑战.
研究的目的:
- 开发和评估一种机器学习 (ML) 概率计算器 (PURE),用于预测泌尿病患者的30天无计划再入院.
- 为了比较ML回归的诊断性能与用于再接收预测的分类算法.
- 确定在排放管理中临床应用最有效的ML模型.
主要方法:
- 在5,323名泌尿病患者的数据上训练了8个ML模型 (逻辑回归,LASSO,RIDGE,决策树,袋式树,提升树,XGBoost,RandomForest).
- 利用52个不同的特征来训练和评估预测30天计划外再接收的模型.
- 使用AUC,准确性,灵敏度,特异性,PPV和NPV等指标评估诊断性能.
主要成果:
- 回归和分类ML算法都取得了良好的AUC得分,从0.62到0.82.8不等.
- 分类算法在预测计划外再录取方面通常优于回归算法.
- 调整后的XGBoost模型实现了0.83的精度,0.86的灵敏度和0.81.81的AUC.
结论:
- 推分类模型作为预测患者再入院风险的主要选择,因为它们的性能更强.
- 调整后的XGBoost模型证明了对高风险患者的可靠预测能力.
- 这种基于ML的工具显示出在泌尿病学出院管理中安全临床应用的潜力,以减少计划外的再入院.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
05:15Cutoff Value of Phase Angle by Bioelectrical Impedance Analysis at Admission as a Prognostic Factor in Patients with Acute Heart Failure
Published on: June 10, 2025
142
