增强机器学习模型的合成少数人过量采样技术用于预测术后慢性腹腔内血瘤的复发
Zhihui Ni1,2, Yehao Zhu1,2, Yiwei Qian1,2
1Department of Neurosurgery, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
Frontiers in neurology
|May 7, 2024
概括
机器学习可以准确地预测慢性腹腔内血瘤的复发. 随机森林模型确定了关键预测因素,如年龄和血液瘤直径,有助于量身定制的患者治疗.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 慢性下皮质血瘤 (CSDH) 具有显著的复发挑战,特别是在老年患者.
- 预测CSDH复发是复杂的,需要先进的分析方法.
- 机器学习 (ML) 提供了识别患者数据中微妙模式的潜力,以提高预测准确度.
研究的目的:
- 开发和验证用于预测术后CSDH复发的ML模型.
- 使用ML识别与CSDH复发相关的关键临床特征.
- 通过准确的复发预测,增强CSDH管理的临床决策.
主要方法:
- 利用了447名通过孔灌治疗的CSDH患者的数据.
- 采用最小绝对收缩和选择运算符 (LASSO) 进行特征选择和八个ML算法进行模型构建.
- 应用边界线合成少数群体过量采样技术 (SMOTE) 用于数据不平衡和沙普利增量解释 (SHAP) 用于解释性.
主要成果:
- 优化的ML模型在验证集中实现了61.0%至86.2%的预测准确率.
- 随机森林 (RF) 模型表现出卓越的性能,准确率为86.2%.
- SHAP分析确定了年龄,ALT,纤维素,血时间和最大血瘤直径作为重要预测因素;RF模型在测试组中实现了92.6%的准确性和0.834 AUC.
结论:
- ML算法,特别是与SMOTE集成的RF,有效地预测术后CSDH复发.
- 确定的主要预测因素包括年龄,肝功能测试,凝血参数和血瘤大小.
- 基于RF模型的在线计算器可以帮助个性化治疗策略和高风险CSDH患者的预防性干预.
