机器学习模型的开发和验证,以预测治疗非生物人工肝支持系统的肝衰竭患者的预后
Shi Shi1,2, Yanfen Yang3, Yuanli Liu3
1Department of Health Statistics, School of Public Health, Shanxi Medical University, Taiyuan, Shanxi, China.
Frontiers in medicine
|March 28, 2024
概括
这项研究开发了一个随机生存森林 (RSF) 模型来预测肝衰竭的预后. 结合关键临床因素的RSF模型,与现有方法相比,显示出更高的预测准确性,有助于风险分层,以获得更好的患者结果.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 预测建模的预测建模
背景情况:
- 在非生物人工支持下,肝衰竭的预后往往很差.
- 识别风险因素和开发预测模型对于改善结果至关重要.
- 目前的预后工具需要改进,以获得更好的临床应用.
研究的目的:
- 为了确定肝衰竭的独立预后因素.
- 开发和验证新的预后模型,包括Nomogram和随机生存森林 (RSF).
- 将这些模型的预测性能与MELD.等既定得分进行比较.
主要方法:
- 对215名接受非生物人工肝支持治疗的肝衰竭患者的回顾性分析.
- 使用已识别的预后因素构建Nomogram和RSF模型.
- 在培训和验证集中使用AUC对模型性能的评估;将风险分为低风险和高风险组.
主要成果:
- 病因学,肝脏脑病变,总胆红素,性酸酶,血小板和MELD得分是短期预后的独立预测因素.
- 该RSF模型实现了优异的预测准确度 (AUC 0.863/0.792),超过了Nomogram (AUC 0.816/0.756) 和MELD (AUC 0.658/0.700).
- 被分为低风险组的患者的预后明显好于高风险组的患者.
结论:
- 一个新的RSF预后模型已成功开发用于肝衰竭.
- 与Nomogram和MELD得分相比,这种RSF模型显示了增强的预测能力.
- 该模型有助于临床医生优化治疗决策和改善患者管理.
