综合多式数据的ERCP后胰腺炎预测系统的多步验证:一个多中心研究

科学领域:

• 胃肠病学 胃肠病学
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 在ERCP后的胰腺炎 (PEP) 预测仍然具有挑战性.
• 不同数据类别对PEP风险预测的影响尚未完全理解.
• 多模式数据集成为改善PEP风险评估提供了潜力.

研究的目的:

• 开发和验证ERCP后胰腺炎 (PEP) 的多式预测模型.
• 调查各种数据类别 (EHR,成像) 对PEP预测的贡献.
• 使用机器学习识别PEP的关键风险因素.

主要方法:

• 从多个中心追溯收集了1916年的ERCP病例.
• 识别了49个与PEP相关的EHR特征和1个图像特征.
• 增量模型构建包括基线,诊断,技术和预防特征,有或没有成像数据.
• 使用内部和外部测试集进行模型验证,并比较机器学习算法.

主要成果:

• 与单独的基线和诊断特征相比,结合技术和预防策略显著改善了PEP预测灵敏度和特异性.
• 以前的胰腺炎,NSAID使用和困难的注射管是EHR的关键预测因素.
• 图像特征在预测模型中具有很高的重要性.
• 一个随机森林模型 (模型8) 结合了所有特征,实现了最佳性能.

结论:

• 开发了一种具有临床可接受性的PEP多式预测模型.
• 图像和技术程序特征对于准确的PEP预测至关重要.
• 这些发现支持使用全面的数据整合来加强PEP风险分层.