基于机器学习的预测建模在体外膜氧化后的再入院,住院住院
Jeffrey Balian1, Sara Sakowitz1, Arjun Verma1
1Cardiovascular Outcomes Research Laboratories (CORELAB), University of California, Los Angeles, CA, United States of America.
Surgery open science
|April 24, 2024
概括
机器学习模型准确地预测了体外膜氧化 (ECMO) 后90天的非选择性再入院. 这可以识别高风险患者,以改善ECMO后的护理和资源配置.
科学领域:
- 心脏病学 心脏病学
- 临界护理医学 临界护理医学
- 医疗信息学 医疗信息学
背景情况:
- 身体外膜氧化 (ECMO) 提供了生存益处,但资源密集型,与并发症和再接收有关.
- 在ECMO后预测90天的非选择性再接收风险对于优化患者护理和资源管理至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以预测ECMO后的90天非选择性再接收.
- 确定与ECMO治疗患者再入院风险相关的关键因素.
主要方法:
- 利用全国再接收数据库 (2016-2020年) 对成年患者的生存指数ECMO住院治疗.
- 开发了极端梯度增强 (XGBoost) 模型,并使用AUROC,mAP和Brier分数对逻辑回归 (LR) 进行性能比较.
- 采用SHAP图表来确定特征的重要性,并对并发病症和ECMO指示进行了敏感性分析.
主要成果:
- 在预测再接收方面,XGBoost模型显著优于LR (AUROC 0.64 vs 0.49,P < 0.001).
- 再入院的关键预测因素包括入院时间,心肺移植和医疗保险.
- 慢性肝病和脆弱性被确定为非选择性再录取的重要风险因素.
结论:
- 与传统的物流回归相比,机器学习模型在预测ECMO后再录取方面表现优异.
- 需要进一步的研究来确定额外的再接收预测因素,并完善高风险人群的ECMO后护理策略.
