机器学习算法用于预测患有骨折的老年人手术后肺炎的风险
Jiale Guo1, Qionghan He2, Caiju Peng1
1Department of Orthopedics, Chaohu Hospital of Anhui Medical University, Hefei, China.
Journal of orthopaedic surgery and research
|August 5, 2023
概括
机器学习模型可以识别患有部骨折 (HF) 后术后肺炎 (POP) 高风险的老年患者. XGBoost模型在早期检测方面表现近乎完美,改善了患者的治疗结果.
科学领域:
- 老年医学 老年医学
- 计算医学是一种计算医学.
- 手术并发症 手术并发症
背景情况:
- 骨折 (HF) 是老年人常见的损伤,与高死亡率和不良预后有关.
- 手术后肺炎 (POP) 是HF手术后最常见的并发症,严重影响患者的治疗结果和医疗费用.
- 早期识别高风险的POP患者对于及时干预和改善预后至关重要.
研究的目的:
- 开发和评估机器学习模型,用于预测接受关节骨折手术的老年患者的术后肺炎 (POP) 风险.
- 在入院后24小时内确定可预测POP的关键临床因素.
- 为了比较七种不同的机器学习算法在预测POP风险方面的性能.
主要方法:
- 分析了2016年5月至2022年11月期间因HF住院的805名老年患者的回顾性队列.
- 在入院后24小时内收集的数据,包括年龄,CI,COPD,WBC,HB,GLU,STB,GLOB和Ka+,被用作特征.
- 七个机器学习算法 (CART,GBM,KNN,LR,NNet,RF,XGBoost) 在70:30的训练验证分割中接受训练,以构建预测模型.
主要成果:
- 在分析的805名患者中,有75名 (9.3%) 患有术后肺炎 (POP).
- 基于XGBoost算法的模型表现出卓越的性能,其特点是高AUC,精度,灵敏度,特异性以及有利的Brier和MCC分数.
- 用校准曲线和决策曲线分析 (DCA) 进一步验证了模型性能,证实了它的稳定性.
结论:
- 开发的机器学习模型,特别是XGBoost实现,对于在部骨折 (HF) 后高风险的POP老年患者的早期检测非常有效.
- 这种预测工具可以帮助临床医生识别有风险的个体,使积极的管理策略能够减轻POP发生率并改善患者的治疗结果.
