在使用生物标志物的部骨折患者中,基于机器学习的死亡率预测

科学领域:

• 老年医学 老年医学
• 在医疗保健中的数据科学.
• 整形外科手术 整形外科手术

背景情况:

• 关节骨折是老年人患病和死亡的一个重要原因.
• 准确预测死亡风险对于患者管理和资源分配至关重要.

研究的目的:

• 开发和评估一种机器学习模型,用于预测部骨折后的死亡率.
• 确定与1年,5年和10年死亡率相关的关键人口和实验室变量.

主要方法:

• 来自MIMIC-IV数据库的3751名关节骨折患者记录的回顾性分析.
• 评估了10个机器学习分类模型,重点是LightGBM.
• 识别和分析用于死亡率预测的最高加权特征.

主要成果:

• 轻GBM模型实现了81%的准确性和AUC为0.79的1年死亡率预测.
• 关键预测因素包括年龄,葡萄糖,红细胞分布宽度和白细胞计数.
• 几种已识别的生物标志物在1年,5年和10年死亡率模型中一致.

结论:

• 使用基本临床数据的机器学习模型可以有效预测关节骨折死亡率.
• 特定的生物标志物,如年龄和红细胞分布宽度,是长期生存的强有力的指标.
• 这些发现可以为临床决策和风险分层工具的开发提供信息.