机器学习算法预测了创伤性脑损伤患者在重症监护室的死亡风险
Kuan-Chi Tu1, Eric Nyam Tee Tau1, Nai-Ching Chen2
1Department of Neurosurgery, Chi Mei Medical Center, Tainan 710402, Taiwan.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
机器学习模型显著改善了ICU中创伤性脑损伤 (TBI) 患者的死亡率预测. 使用易于获得的功能,LightGBM比APACHE II和SOFA等传统评分系统提供了更高的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 关键护理医学 关键护理医学
背景情况:
- 对于中度至重度创伤性脑损伤 (TBI) 的现有死亡率预测工具缺乏全面的机器学习方法.
- 需要使用各种功能和机器学习方法的成熟算法来预测重症监护室 (ICU) TBI 患者的结果.
研究的目的:
- 开发和评估机器学习模型来预测患有TBI的ICU患者的死亡率.
- 将机器学习模型的性能与传统评分系统 (APACHE II,SOFA) 的性能进行比较.
主要方法:
- 对2260名进入ICU的TBI患者的回顾性分析 (2016年1月至2021年12月).
- 利用四个具有42个特性的机器学习模型,探索各种特征组合.
- 从接收器运行特征 (ROC) 曲线中使用曲线下的面积 (AUC) 评估预测性能,并通过德隆测试进行验证.
主要成果:
- 机器学习模型实现的AUC范围从0.877到0.921.
- 有22个特征的随机森林产生了最高的AUC (0.921).
- 与APACHE II和SOFA分数相比,机器学习模型表现出优异的预测性能.
结论:
- 与APACHE II和SOFA相比,LightGBM模型显示TBI患者死亡率的预测准确度更高.
- 关键的预测特征可以在ICU入院的第一天获得.
- 集成到临床平台可以提供立即的预后,帮助临床医生与家庭的沟通.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:21Systems Analysis of the Neuroinflammatory and Hemodynamic Response to Traumatic Brain Injury
Published on: May 27, 2022
3.2K
