机器学习模型和名图来预测腹腔透析患者心力衰竭住院的风险

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 心脏病学 心脏病学
• 数据科学数据科学数据科学

背景情况:

• 腹腔透析 (PD) 患者面临心力衰竭 (HF) 和死亡的重大风险.
• 预测模型对于早期干预和改善这一群体患者的治疗结果至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测病发性肺炎患者住院治疗和病发性肺炎患者全因死亡率.
• 将ML算法的性能与传统的考克斯回归进行比较.

主要方法:

• 在2010年至2016年期间,对1006名开始PD的患者进行了回顾性分析.
• XGBoost,随机森林 (RF) 和AdaBoost算法使用五倍交叉验证进行了训练和验证.
• 将ML模型的预测性能与考克斯回归进行比较.

主要成果:

• 射频模型在HF预测中实现了0.853的AUC,而XGBoost模型在死亡率预测中实现了0.871的AUC.
• 肝炎的关键预测因素包括脏病,缩血压,BMI,年龄和CCI得分.
• 死亡率的重要预测因素包括年龄,CCI得分,肌素,HDL-C,总胆固醇和eGFR.
• 与考克斯回归相比,ML模型在所有终点上都显示出优越的歧视.

结论:

• 基于ML的新型模型有效地预测了PD患者的HF和全因死亡率.
• 这些模型整合了可访问的临床,实验室和心电图数据.
• 开发的方法为PD患者的风险分层提供了一个有希望的工具.