对一个可解释的极端梯度增强模型和一个人工神经网络模型进行比较,用于预测严重的急性胰腺炎
Yajing Lu1, Minhao Qiu1, Shuang Pan1
1Department of Gastroenterology and Hepatology, the First Affiliated Hospital of Wenzhou Medical University, Wenzhou, Zhejiang, People’s Republic of China
Polish archives of internal medicine
|March 19, 2024
概括
重症急性胰腺炎 (SAP) 的预测对于患者的治疗结果至关重要. 与人工神经网络 (ANN) 相比,可解释的极端梯度增强 (XGBoost) 模型在识别面临SAP风险的患者方面表现出更高的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 胰腺炎的预测分析
背景情况:
- 严重急性胰腺炎 (SAP) 是一种具有高死亡率的危急疾病,需要及早识别风险.
- 有效的预测模型对于改善患者预后和急性胰腺炎 (AP) 的临床管理至关重要.
研究的目的:
- 评估SAP极端梯度提升 (XGBoost) 和人工神经网络 (ANN) 模型的预测准确性.
- 为了比较XGBoost和ANN在识别患有严重急性胰腺炎风险的患者的表现.
主要方法:
- 开发并验证了XGBoost和ANN模型,使用来自648名AP患者的数据 (519名培训,129名测试).
- 使用了15个选定的变量来构建模型.
- 使用接收器操作特征曲线 (AUC) 下的面积和精度回调曲线 (AUC-PRs) 下的面积来评估模型性能.
主要成果:
- 与ANN模型 (0.86培训,0.87测试) 相比,XGBoost模型在训练 (0.92) 和测试 (0.93) 组中实现了更高的AUC.
- 与ANN模型相比,XGBoost显示出更高的诊断准确度和AUC-PR值.
- 使用局部可解释的模型不可知解释来理解XGBoost的预测.
结论:
- 与ANN模型相比,可解释的XGBoost模型在预测SAP方面表现出更高的区分效率.
- XGBoost是临床实践中的一个可行的工具,用于识别患有严重急性胰腺炎的高风险患者.
更多相关视频
07:38Preparing a Mice Model of Severe Acute Pancreatitis via a Combination of Caerulein and Lipopolysaccharide Intraperitoneal Injection
Published on: May 10, 2024
521
07:10Establishment of a Mouse Severe Acute Pancreatitis Model using Retrograde Injection of Sodium Taurocholate into the Biliopancreatic Duct
Published on: April 1, 2022
4.2K
