人工智能在预测模型中用于后内镜逆行性胆血管瘤学胰腺炎的预测模型

科学领域:

• 医疗信息学 医疗信息学
• 胃肠病学 胃肠病学
• 人工智能在医学中的应用

背景情况:

• 后内镜逆行性胆道血管细胞造影 (ERCP) 胰腺炎 (PEP) 是一个显著的并发症.
• 准确预测PEP风险对于患者管理和资源分配至关重要.

研究的目的:

• 开发和验证基于人工智能的模型,用于预测ERCP后胰腺炎 (PEP) 的风险.
• 将机器学习模型的性能与传统的统计方法进行比较.

主要方法:

• 来自两个医院的ERCP患者的回顾性审查.
• 使用选定的临床和程序特征开发一个随机森林 (RF) 模型和一个后勤回归 (LR) 模型.
• 模型培训和验证使用交叉验证和对独立队列进行测试.
• 使用接收器操作特征曲线 (AUROC) 下面的面积进行性能评估.

主要成果:

• 与LR模型相比,RF模型在验证 (AUROC 0.821对0.660) 和测试 (AUROC 0.770对0.663) 两方面都表现出更好的预测能力.
• 确定了RF模型的十个关键特征,包括患者生物标志物和程序细节.
• 根据RF模型的输出,患者被分为低风险,中风险和高风险PEP组,其发病率分别为2.9%,10.0%和23.9%.

结论:

• 基于人工智能的随机森林模型已成功开发,用于预测ERCP后胰腺炎.
• 机器学习算法为在临床环境中创建准确的预测模型提供了强大的方法.
• 开发的模型可以帮助识别PEP的高风险患者,从而有可能实现有针对性的干预.