具有时间序列临床特征的机器学习模型用于预测结性脊髓炎患者的放射性进展
Bon San Koo1, Miso Jang2,3, Ji Seon Oh4
1Department of Internal Medicine, Inje University Ilsan Paik Hospital, Inje University College of Medicine, Seoul, Korea.
Journal of rheumatic diseases
|April 1, 2024
概括
机器学习模型可以预测结性脊髓炎 (AS) 患者的放射性进展. 随机森林模型,使用早期电子医疗记录数据,在预测脊髓损伤方面显示出有希望的准确性.
科学领域:
- 类风湿病学 类风湿病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 结节性脊柱炎 (AS) 是一种慢性炎症状况,导致脊柱结构损伤.
- 预测放射性进展对于管理AS和预防长期残疾至关重要.
研究的目的:
- 开发和评估用于预测AS患者放射性进展的机器学习模型.
- 利用电子病历 (EMR) 的时间序列数据进行预测建模.
主要方法:
- 收集了来自1,123名AS患者的EMR数据,包括人口统计,实验室结果和修改的Stokes AS脊柱评分 (mSASSS).
- 采用后勤回归 (LASSO),随机森林和极端梯度增强算法进行预测.
- 使用三重交叉验证来评估模型性能.
主要成果:
- 随机森林模型,使用初次访问 (T1) EMR数据,实现了放射性进展 (P2) 的最高预测准确度 (73.73%) 和AUC (0.79).
- 确定的关键预测因素包括总mSASSS,年龄和第一个访问时的性酸酶.
结论:
- 机器学习模型在使用时间序列EMR数据预测AS放射性进展方面表现出合理的表现.
- 从第一次访问开始的早期临床特征对于AS的预后建模有价值.
