基于机器学习的TBI24小时生存结果的预测分析
Yang Yang1,2, Liulei Zhou1, Jinhua Luo3
1Department of Trauma Center, Affiliated Hospital of Nantong University, No.20 Xisi Road, Chongchuan District, Nantong City, Jiangsu Province, 226001, China.
Heliyon
|May 6, 2024
概括
预测创伤性脑损伤 (TBI) 患者的24小时生存率至关重要. 这项研究开发了机器学习模型,发现随机森林模型在重新采样以解决数据不平衡后最有效.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 创伤性脑损伤 (TBI) 是年轻人死亡和发病的主要原因.
- 预测短期生存对于患者管理和资源分配至关重要.
研究的目的:
- 开发和评估用于预测TBI患者24小时生存的机器学习模型.
- 用临床指标确定最准确的预测模型.
主要方法:
- 利用了1224名TBI患者的数据集,其临床指标包括年龄,性别和血压.
- 采用数据可视化,单元分析,特征工程和机器学习模型:随机森林 (RF),K-最近邻居 (KNN),物流回归 (LR) 和深度神经网络 (DNN).
- 应用SMOTE (合成少数人过量采样技术) 由于数据不平衡而重新采样.
主要成果:
- 最初的模型显示高精度但回忆率低.
- 在重新采样后,召回率显著改善,尽管一些模型的AUC下降.
- 后勤回归 (LR) 模型实现了0.67的阳性样本回忆和0.82.8的AUC.
- 随机森林 (RF) 模型在重新抽样后表现最好,AUC约为0.87.
结论:
- 再抽样技术显著提高了TBI生存预测模型的性能.
- 随机森林模型成为预测TBI患者24小时生存的最佳选择,提供了良好的回忆和AUC平衡.
- 使用机器学习方法,可以准确预测TBI患者的结果.
