一个基于可解释的机器学习算法的临床预测模型,用于急性缺血性中风患者的长期住院:现实世界的研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 脑卒中医学 脑卒中医学

背景情况:

• 急性缺血性中风 (AIS) 构成一个重大的和日益增长的经济负担.
• 长期停留 (LOS) 是AIS患者医疗保健支出的主要贡献者.
• 准确预测长期的LOS对于资源配置和成本管理至关重要.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测AIS患者的长期LOS.
• 确定与急性缺血性中风后延长住院相关的关键预测因素.

主要方法:

• 利用了2017年8月至2019年7月期间住院的677名AIS患者的数据.
• 应用最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择.
• 对比了八个机器学习算法,使用夏普利增量解释 (SHAP) 来实现模型的可解释性.

主要成果:

• 长时间的LOS (定义为>7天) 发生在22.0%的患者中.
• 高斯的天真贝叶斯 (GNB) 模型显示出优异的预测性能 (AUC培训:0.878,验证:0.857).
• 长期LOS的关键预测因素包括肺炎,消化不良,血栓切除术和中风严重程度.

结论:

• 全球基因基因模型为预测AIS患者长期住院的情况提供了一个优秀的,可解释的工具.
• 这种预测能力可以为医疗保健政策调整提供信息,并优化资源利用.