提升肺栓塞的预后精度:一种基于临床和实验室的人工智能方法,用于增强早期死亡风险分层

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 临床决策支持 临床决策支持

背景情况:

• 急性肺栓塞 (PE) 是危及生命的紧急情况,需要快速诊断和干预.
• 准确的早期死亡预测对于风险分层和PE患者的适当治疗至关重要.
• 机器学习 (ML) 提供了提高PE早期死亡率预测准确性的潜力.

研究的目的:

• 开发一种ML算法,用于预测PE患者的早期死亡率.
• 利用临床和实验室的变量来提高预测准确度.
• 调查过量采样技术对ML模型性能对PE死亡率预测的影响.

主要方法:

• 采用各种过量采样技术来增强ML模型 (ANN,SVM,DT,RF,AdaBoost) 的早期死亡预测.
• 使用的临床变量包括实验室测试,生理时间序列和一般描述符.
• 使用准确度,F1分数,精度,回忆,AUC和ROC曲线评估模型性能.

主要成果:

• 随机森林 (RF) 模型与随机过量抽样显示出最佳性能.
• 这个模型实现了高准确度,精度和回忆力,用于预测死亡率.
• 过量采样技术有效地平衡了类分布,并改善了模型的整体性能.

结论:

• 拟议的ML技术,特别是随机过量抽样的RF模型,可以有效预测急性PE患者的死亡率.
• 这种方法可以帮助医疗保健专业人员做出明智的急性PE治疗决策.
• 该研究强调了过量抽样对不平衡数据的重要性,以及ML在改进PE死亡率预测中的潜力.