预测慢性疼痛和治疗结果使用机器学习模型,基于来自大型回顾性队列的高维临床数据
Han Wu1, Zhaoyuan Chen1, Jiahui Gu1
1Department of Anesthesiology, Zhongshan Hospital, Fudan University, Shanghai, China; Shanghai Key laboratory of Perioperative Stress and Protection, Shanghai, China.
Clinical therapeutics
|June 1, 2024
概括
机器学习模型准确地预测慢性疼痛和治疗缓解. 关键因素包括体重指数,血压和年龄,使个性化疼痛管理策略成为可能.
科学领域:
- 数据科学应用于医疗保健分析.
- 临床研究中的机器学习.
背景情况:
- 慢性疼痛影响全球数百万人,需要改进的诊断和管理工具.
- 预测疼痛的发生和治疗反应在临床实践中仍然是一个挑战.
研究的目的:
- 确定影响慢性疼痛及其缓解的关键因素.
- 开发和评估用于预测疼痛和治疗结果的机器学习模型.
主要方法:
- 对大量回顾性队列的分析 (67,028例门诊病例,11,310个疼痛样本).
- 应用各种机器学习算法:决策树,随机森林,AdaBoost,神经网络和物流回归.
- 对模型性能进行评估,以预测疼痛发生和治疗缓解.
主要成果:
- 随机森林模型表现出卓越的准确性,F1得分,精度和回忆力来预测缓解疼痛.
- 疼痛和缓解的重要预测因素包括体重指数,血压,年龄,体温,心率,脉和中性粒细胞/淋巴细胞 × 血小板比率.
- 后勤回归模型在预测疼痛发生方面实现了高灵敏度和特异性.
结论:
- 机器学习有效地识别慢性疼痛的风险因素和预测因素.
- 这些模型为个性化,基于证据的疼痛管理策略提供了一条途径.
- 预测分析可以增强慢性疼痛患者的临床决策.


