在结肠镜检查之前预测肠道准备不足的机器学习模型:多中心前性研究
Feng Gu1, Jianing Xu2, Lina Du3
1Department of Gastroenterology, Xuanwu Hospital, Capital Medical University, Beijing, China.
Clinical and translational gastroenterology
|March 5, 2024
概括
一个机器学习模型准确地预测了中国成年人肠道对结肠镜检查的准备不足. 这种工具可以识别高风险患者,使得有针对性的干预措施能够提高结肠镜检查的有效性.
科学领域:
- 胃肠病学 胃肠病学
- 医疗信息学 医疗信息学
- 预测分析是一种预测分析.
背景情况:
- 适当的肠道准备 (BP) 对于结肠镜在诊断结肠直肠疾病中的有效性至关重要.
- 不充分的血压仍然是一个重大挑战,可能会影响诊断准确性和患者的结果.
研究的目的:
- 开发和验证一种机器学习模型,用于预测在接受结肠镜检查的中国成年人中不充分的血压.
- 确定与不充分的BP相关的关键风险因素.
主要方法:
- 这是一项多中心前性研究,涉及3,217名成年门诊患者.
- 利用后勤回归和四个机器学习模型:支持矢量机,决策树,极端梯度增强和双向投影网络.
- 收集了有关患者特征,并发症,药物使用和血压质量的数据.
主要成果:
- 21.14%的患者经历了不充分的血压.
- 决策树模型实现了最高的预测性能 (验证队列中的AUC=0.80).
- 确定的危险因素包括体重指数,教育,西美西康的使用,糖尿病,年龄,先前不充分的血压,以及更长的间隔.
结论:
- 开发的决策树模型有效地预测了患有不充分血压高风险的患者.
- 鉴定的风险因素可以指导个性化干预措施,如增加聚乙烯糖醇或辅助药物,以优化血压.
