一个机器学习模型来预测心力衰竭再入院:朝着最佳特征集的方向.
Sonia Jahangiri1, Masoud Abdollahi1, Ehsan Rashedi1
1Industrial and Systems Engineering Department, Rochester Institute of Technology, Rochester, NY, United States.
Frontiers in artificial intelligence
|March 7, 2024
概括
预测心力衰竭的再入院是至关重要的. 使用全国数据的机器学习模型,通过启发式特征选择进行优化,可以有效地识别高风险患者,以便更好地管理护理.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 对于心力衰竭患者来说,再入院率仍然很高.
- 使用大数据的预测建模为风险识别和护理管理提供了潜力.
- 大数据集在预测分析中可能会带来性能挑战.
研究的目的:
- 开发一种机器学习模型,使用国家数据库预测30天的心力衰竭再入院的情况.
- 为预测模型确定最大化曲线下的面积 (AUC) 的最佳特征集.
主要方法:
- 利用了2020年全国心力衰竭患者再接收数据库的数据.
- 采用启发式特征选择过程,使用后勤回归和随机森林模型.
- 通过使用准确度,灵敏度,特异性和AUC进行评估模型歧视.
主要成果:
- 分析了566,019例心力衰竭病例;再入院率为8.9% (相同原因) 和20.6% (所有原因).
- 随机森林模型比后勤回归实现了更高的AUC (0.607相同原因,0.576所有原因).
- 确定了最佳特征集 (20-22个变量),包括年龄,支付方式,慢性病和护理后遭遇.
结论:
- 开发的模型表明,与使用较小数据集的研究相比,这种歧视是可比的.
- 减少数据集大小提高了性能,突出了大数据的复杂性.
- 启发式特征选择有效地利用全国数据来预测心力衰竭再入院.
