基于全国范围的电子医疗记录,用于实际预测门诊近期AECOPD的机器学习方法
Kuang-Ming Liao1,2, Kuo-Chen Cheng3, Mei-I Sung4
1Department of Internal Medicine, Chi Mei Medical Center, Chiali, Tainan 722013, Taiwan.
机器学习准确地预测慢性阻塞性肺病 (AECOPD) 风险的急性恶化. XGBoost模型可以识别高风险患者,以便更好地管理.
科学领域:
- 肺部医学 肺部医学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 慢性阻塞性肺病 (COPD) 恶化严重影响患者的健康和医疗保健成本.
- 预测COPD急性恶化 (AECOPD) 仍然是一个临床挑战.
- 当前的预测方法往往缺乏准确性和及时性.
研究的目的:
- 开发和验证用于预测AECOPD迫在眉的风险的机器学习模型.
- 为了确定与AECOPD风险相关的关键临床特征.
- 为临床医生创建一个实用的工具,以帮助AECOPD风险评估.
主要方法:
- 两家台湾医院电子病历的回顾性分析.
- 选择特征以确定AECOPD的26个关键预测因素.
- 部署五个机器学习算法和组合学习,用于3个月和6个月的风险预测.
- 可解释性分析以确定特征的重要性.
主要成果:
- XGBoost模型在3个月 (AUC=0.795) 和6个月 (AUC=0.813) AECOPD风险方面都取得了最高的预测性能.
- 关键预测因素包括先前的AECOPD发作,mMRC得分,CAT得分,呼吸率和吸入性皮质类固醇使用.
- 开发的模型表现优于仅基于CAT或mMRC得分的预测.
结论:
- 机器学习,特别是XGBoost,提供了一个强大的方法来预测AECOPD风险.
- 识别的关键特征为AECOPD发展提供了有价值的见解.
- 交互式预测系统可以为医生提供一个积极主动的AECOPD管理的实用工具.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Methods of Documentation VII: EMR
Statistical Methods for Analyzing Epidemiological Data
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Issues And Trends In Healthcare Delivery System
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
