使用电子健康记录数据预测末期病的早期预测:一种机器学习方法,具有2年的视野

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习
• 腎臟病學 (nephrology) 是一種醫學.

背景情况:

• 末期病 (ESKD) 在美国是一个重大的公共卫生挑战,其特点是高死亡率和不断上升的医疗保健支出.
• 在过去的二十年中,ESKD的发病率大幅增加,需要积极的干预策略.

研究的目的:

• 开发和验证一个预测模型,以在两年内识别患末期病 (ESKD) 风险的个体.
• 通过早期检测和干预来减轻ESKD的影响.

主要方法:

• 构建了一个机器学习 (ML) 管道,以评估ESKD的各种预测模型.
• 使用电子健康记录数据,结合各种归算,特征选择和采样技术.
• 模型性能使用AUCROC,PR-AUC和Brier分数进行评估,并将可解释性方法应用于最终模型.

主要成果:

• 一种梯度增强机器模型,通过特定特征选择和归算方法进行优化,实现了卓越的预测性能.
• 最好的模型在一个独立的测试组中显示出AUCROC为0.97,PR-AUC为0.33,Brier分数为0.002.
• 通过专家医生图表审查证实了临床效用.

结论:

• 一个有效的ESKD预测模型已经成功地在医疗保健系统中开发和实施.
• 这种模型有助于识别有风险的个体,为末期病提供及时的干预措施.