利用机器学习来预测术后肺部并发症:回顾性队列设计
Jong-Ho Kim1,2, Bo-Reum Cheon1, Min-Guan Kim1
1Department of Anesthesiology and Pain Medicine, Chuncheon Sacred Heart Hospital, Hallym University College of Medicine, Chuncheon 24253, Republic of Korea.
Journal of clinical medicine
|September 9, 2023
概括
机器学习有效地预测术后肺部并发症 (PPC) 并确定关键预测特征. 使用这些重要特征的缩小模型显示出临床应用的可行性.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测建模临床预测建模
- 肺部医学 肺部医学
背景情况:
- 手术后肺部并发症 (PPC) 是患者发病率和死亡率的主要原因之一.
- 准确预测PPC对于改善患者的治疗结果至关重要.
研究的目的:
- 开发和评估用于预测PPC的机器学习模型.
- 确定有助于PPC预测的重要特征.
- 评估使用减少特征集用于PPC预测的可行性.
主要方法:
- 这是一项追溯性队列研究,涉及两个医院的111,212名成年患者.
- 利用各种机器学习算法,包括后勤回归,随机森林和梯度增强机器.
- 使用接收器运行特征曲线下的面积 (AUROC) 和f1分数来评估模型性能.
主要成果:
- PPC的总体发病率为8.6%.
- 机器学习模型实现的AUROCs范围从0.699到0.767和f1分数从0.446到0.526.
- 功能减少模型显示了持续的预测性能,AUROC从0.627到0.749和f1分数从0.365到0.485.
结论:
- 机器学习模型为预测PPC提供了有价值的见解.
- 确定了对于准确PPC预测至关重要的关键特征.
- 证明了简化预测模型与减少特征集的临床可行性.


