机器学习算法的应用在代谢性减肥手术中对术后成功的分类:一项全面的研究
José Alberto Benítez-Andrades1, Camino Prada-García2,3, Rubén García-Fernández4
1SALBIS Research Group, Department of Electric, Systems and Automatics Engineering, Universidad de León, León, Spain.
Digital health
|April 1, 2024
概括
机器学习模型可以对代谢性减肥手术的患者进行分类,从而改善结果. 增强的K-近邻和决策树模型对患者分层和治疗优化有希望.
科学领域:
- 计算生物学和生物信息学
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 代谢性减肥手术对于管理肥胖和相关的并发症至关重要.
- 准确的患者分类和结果预测对于优化外科手术策略至关重要.
- 现有的方法可能无法充分利用先进的计算技术来分层患者.
研究的目的:
- 开发和评估一种新的机器学习方法,用于对接受代谢性减肥手术的患者进行分类.
- 为了比较各种机器学习模型和变量类型在预测患者结果中的有效性.
- 探索数据预处理技术 (如过量采样) 对模型性能的影响.
主要方法:
- 应用了多个机器学习算法:高斯素朴贝叶斯,补充素朴贝叶斯,K-最近邻居和决策树.
- 使用了73名患者的数据集,包括心理测量,社会经济和分析变量.
- 研究过量采样技术 (RandomOverSampler,SMOTE) 的有效性,使用K-近邻和决策树模型.
主要成果:
- 性能最好的模型的平均准确率高达66.7%.
- 增强的K-近邻和决策树模型,特别是使用过量采样技术,如RandomOverSampler和SMOTE,表现出卓越的性能.
- 选择变量分组显著影响了模型的预测准确性.
结论:
- 该研究证明了机器学习在代谢性减肥手术中对患者进行分类的潜力,有助于临床决策.
- 适当的变量选择和使用先进的建模技术对于优化患者分层至关重要.
- 未来使用更大的数据集和精细的参数调整进行的研究可以进一步提高这些ML算法的实用性,以改善患者护理.
