机器学习算法的预测能力在患有胸脊柱脊髓损伤的患者中
Mert Karabacak1, Pemla Jagtiani2, Konstantinos Margetis1
1Department of Neurosurgery, Mount Sinai Health System, New York, New York, USA.
World neurosurgery
|November 29, 2023
概括
机器学习模型预测胸腔椎脊髓损伤患者的结果,包括死亡率和出院率. 一个网络工具可以访问这些预测模型,以改善患者护理.
科学领域:
- 医疗信息学医学信息学
- 计算生物学是一种计算生物学.
- 临床数据科学临床数据科学
背景情况:
- 胸脊髓损伤 (SCI) 在预测患者的结果方面提出了复杂的挑战.
- 准确预测死亡率,出院处置,停留时间和并发症对于有效的患者管理至关重要.
- 现有的预测模型可能缺乏足够的复杂性来捕捉SCI患者轨迹的细微差别.
研究的目的:
- 实施和评估机器学习 (ML) 算法,用于预测胸脊髓损伤 (SCI) 患者的关键结果.
- 开发一个公开可访问的在线工具,用于利用这些ML预测模型.
- 评估各种ML算法对死亡率,非家庭出院,长期停留 (LOS),长期重症监护室LOS (ICU-LOS) 和重大并发症的预测性能.
主要方法:
- 利用美国外科医生协会创伤质量计划数据库来识别患有胸椎SCI的患者.
- 使用最小绝对收缩和选择运算符 (LASSO) 算法应用特征选择.
- 通过使用Optuna库进行超参数调,训练和优化了五个ML算法 (TabPFN,TabNet,XGBoost,LightGBM,Random Forest).
主要成果:
- 分析了147,819名患者的数据.
- 轻GBM在死亡率 (AUROC=0.885) 和延长LOS (AUROC=0.673) 上表现出强的表现.
- TabPFN在非家庭出院的AUROC为0.801,在长时间的ICU-LOS (AUROC=0.664) 的Random Forest,在重大并发症的LightGBM (AUROC=0.73) 的AUROC为0.801.
结论:
- 在SCI患者中,ML模型对住院死亡率和非家庭出院的预测准确度很好.
- 预测能力对于重大并发症和长期的ICU-LOS是合理的,但对于长期的LOS却很差.
- 一个Web应用程序已经开发出来,可以访问这些验证的ML预测模型.
