一个混合模型为30天的同步预测预后预测在急诊室
Franca Dipaola1, Mauro Gatti2, Roberto Menè3
1Internal Medicine, Syncope Unit, IRCCS Humanitas Research Hospital, 20089 Milan, Italy.
Journal of personalized medicine
|January 26, 2024
概括
机器学习模型可以预测昏迷患者向急诊室呈现的不良事件. 使用临床数据的混合模型比传统方法提高了性能.
科学领域:
- 紧急医疗 紧急医疗
- 临床信息学 临床信息学
- 医疗保健中的人工智能
背景情况:
- 由于当前风险预测工具的局限性,在急诊部 (ED) 中进行合管理是复杂的.
- 机器学习 (ML) 提供了改善风险分层的潜力,但仍未得到充分利用.
研究的目的:
- 开发和比较基于ML的模型,用于预测ED综合症患者的临床显著结果.
- 评估混合ML模型的性能,将XGBoost与临床规则集成在一起.
主要方法:
- 开发了一个XGBoost模型,使用了来自三个中心266名ED昏迷患者的人口统计和临床数据.
- 收集了关于临床显著结果的30天随访数据.
- 整合了XGBoost模型与基于知识的规则,以创建混合模型.
主要成果:
- 与XGBoost单独模型相比,混合模型的预测性能优于XGBoost单独模型 (AUC = 0.81对比0.73,p < 0.001).
- 该模型显示了可接受的校准.
- 该模型有效地预测了评估后30天内发生的不良事件.
结论:
- 一个基于ML的混合模型准确地预测了ED中评估的昏迷患者的30天不良事件.
- 该模型利用常规收集的临床数据,减少对实验室测试或专家判断的依赖.
- 开发的模型显示了增强突发症风险评估在紧急情况下的承诺.
