基于BP神经网络,随机森林和决策树的ECMO预后模型的构建和评估
Zucong Mo1, Zheng Lu1, Xiaogang Tang1
1Sector II of Intensive Care Department, The People's Hospital of Guangxi Zhuang Autonomous Region Nanning 530021, Guangxi, China.
American journal of translational research
|August 10, 2023
概括
机器学习模型,包括随机森林,预测了患有心脏性休克的老年患者经历体外膜氧化 (ECMO) 的结果. 随机森林模型在预测患者预后和生存率方面表现出卓越的准确性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 患有心脏性休克的老年患者通常需要体外膜氧化 (ECMO).
- 预测这些重症患者的预后对于临床决策至关重要.
研究的目的:
- 评估背向传播 (BP) 神经网络,随机森林 (RF) 和决策树模型的预测性能,以预测ECMO后心脏性休克的老年患者的预后.
- 确定最有效的模型来预测患者的结果.
主要方法:
- 对258名ECMO治疗心脏性休克的老年患者进行了回顾性分析.
- 开发和比较BP神经网络,RF和决策树预测模型.
- 用准确度,灵敏度,特异性和AUC评估模型性能.
主要成果:
- 这三种模型都显示了超过80%的预测性能.
- 射频模型实现了最高的精度 (0.987),灵敏度 (1000) 和特异性 (0.929).
- 射频模型的AUC为1,000,显著超过决策树模型 (AUC为0.916).
结论:
- 血压神经网络,射频和决策树模型在预测老年心脏性休克患者的ECMO预后方面具有很高的适用性.
- 射频模型表现出卓越的预测性能.
- 模型选择应以临床背景为指导,以帮助治疗决策.
