针对性风险评估和预测在间歇性关闭中

科学领域:

• 血管医学 血管医学
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 目前的间歇性音管理依赖于指导方针,但在实施和患者遵守方面面临挑战.
• 护理的这种变化导致患者的治疗结果不一致.
• 个性化治疗策略需要一个精确的风险分层工具.

研究的目的:

• 开发和验证一种机器学习算法,用于在间歇性声中精确地分层风险.
• 通过不同的管理策略来预测个体患者的结果.
• 为了增强个性化医疗方法在血管护理.

主要方法:

• 使用最少绝对收缩和选择操作员 (LASSO) 方法进行特征选择.
• 在255名间歇性听患者的启动样本上开发了一种机器学习模型.
• 预测的结果包括慢性肢体威胁性缺血症,再血管化手术和主要心血管/肢体不良事件.
• 使用ROC曲线,校准曲线和决策曲线分析评估性能.

主要成果:

• 该算法在高的ROC曲线下面积 (AUC) 值 (0.8360.896) 的各种2年和5年结果中表现出极好的歧视.
• 校准曲线显示预测结果与实际结果之间的一致性很好.
• 决策曲线分析证实了该模型的临床实用性,优于传统的物流回归.

结论:

• 开发的机器学习算法准确地预测了间歇性关患者的结果.
• 这种工具有可能显著改善风险分层.
• 个性化预测可以带来更好的患者管理和更好的整体结果.