相关实验视频
Updated: Jun 23, 2026
07:59
A Tissue Displacement-based Contusive Spinal Cord Injury Model in Mice
Published on: June 18, 2017
11.2K
机器学习开发压力损伤预测模型,用于脊髓损伤患者的压力损伤
Stephen L Luther1,2, Susan S Thomason3, Sunil Sabharwal4,5
1Research Service, James A. Haley Veterans' Hospital, Tampa, FL, USA. Steve.Luther@va.gov.
Spinal cord
|August 19, 2023
概括
这项研究开发了一种使用电子健康记录的预测模型,以识别高风险的脊髓损伤/疾病 (SCI/D) 的退伍军人. 适应性LASSO模型显示出希望,但缺乏可修改的临床使用风险因素.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测建模模型
- 退伍军人健康的医疗服务
背景情况:
- 压力损伤 (PIs) 对脊髓损伤/疾病 (SCI/D) 的退伍军人来说是一个重大问题.
- 在这个群体中预测PI对于主动的护理和资源分配至关重要.
- 电子健康记录 (EHR) 为开发预测模型提供了丰富的数据来源.
研究的目的:
- 开发和验证使用EHR数据的预测模型,以识别患有SCI/D高风险的退伍军人.
- 为了比较不同机器学习技术在预测PI中的表现,在这个队列中.
主要方法:
- 一项为期5年的回顾性队列研究,利用SCI/D.的退伍军人的结构化和文本EHR数据.
- 开发了三种机器学习模型:双步逻辑回归,自适应LASSO和梯度增强.
- 使用曲线下面面积 (AUC) 分析与随机选择的验证样本来评估模型性能.
主要成果:
- 适应式LASSO模型表现出最高的预测准确性,AUC为0.72.
- 发现的关键预测因素包括前一年的住院日数减少,体重增加和美国脊髓损伤协会 (ASIA) 损伤量表 (Impairment Scale) 的更严重等级.
- 后勤回归和梯度增强模型显示较低的AUC值分别为0.67和0.62.
结论:
- 从EHR数据中获得的自适应性LASSO模型可以预测SCI/D.的退伍军人的新压力损伤.
- 该模型的临床实用性目前是有限的,因为没有可修改的风险因素.
- 进一步的研究应侧重于将可操作的风险因素纳入与SCI/D相关的PI的预测模型.
