机器学习模型的开发和验证,以预测急性上部胃肠道出血时需要血液静止治疗的需要

科学领域:

• 胃肠病学 胃肠病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 急性上部胃肠道出血 (AUGIB) 是致病率和死亡率的重要原因.
• 目前通过内镜进行风险分层是侵入性的,昂贵的,并且难以实施.
• 只有20-30%的AUGIB病例需要紧急的血静止治疗.

研究的目的:

• 开发非内镜机器学习 (ML) 模型,用于预测在AUGIB中需要静血疗法的需要.
• 将ML模型的性能与格拉斯哥-布拉奇福德得分 (GBS) 进行比较.

主要方法:

• 对970名接受AUGIB治疗的患者进行了回顾性队列研究 (2015-2020年).
• 机床模型的内部验证,包括随机森林分类器.
• 使用接收器操作特征 (AUROC) 曲线下的面积进行性能评估.

主要成果:

• 随机森林分类器的AUROC达到0.84,超过了GBS (AUROC0.75).
• 与GBS相比,ML模型显示出更高的精度 (0.82比0.74) 和特异性 (0.90比0.81).
• 此外,ML模型还显示了灵敏度 (0.54对0.49),PPV (0.60对0.41) 和NPV (0.88对0.85) 的改善.

结论:

• 在AUGIB中开发并验证了一种新的,高度准确和特定的ML算法,用于预测血液静止治疗需求.
• 这种ML方法可以有效地对患者进行风险分层,识别那些需要紧急内镜干预的患者.
• 开发的模型为管理AUGIB提供了一个有前途的非内镜替代方案.