机器学习用于预测动脉瘤下关节出血 (aSAH) 的死亡率,使用大型全国EHR数据库

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 动脉瘤下关节出血 (aSAH) 是一种危及生命的疾病,需要快速临床评估.
• 早期预测aSAH患者的死亡率对于及时干预和资源分配至关重要.

研究的目的:

• 开发和评估用于预测aSAH患者住院死亡率的机器学习模型.
• 为了确定与aSAH死亡率相关的早期风险因素.

主要方法:

• 利用了来自Cerner健康事实电子健康记录数据库 (2000-2018) 的大量队列 (6728名患者).
• 应用各种机器学习方法来预测医院内死亡率,使用EHR数据的最初24小时.
• 使用接收器操作特征曲线 (AUC) 下面的面积来评估模型性能.
• 采用后勤回归来确定显著的死亡风险因素.

主要成果:

• 机器学习模型的平均AUC为0.805,用于预测aSAH死亡率.
• 确定了42个风险因素,包括年龄和血清葡萄糖,与死亡率显著相关.
• 后勤回归在确定关键风险因素的同时保持了预测能力.

结论:

• 机器学习为早期aSAH死亡率预测提供了一种强大而实用的方法.
• 这些预后工具可以支持aSAH患者的临床决策.
• 早期识别风险因素可以指导有针对性的管理策略.