开发一个预测模型和相应的评分表用于 Postherpetic神经痛使用六个机器学习算法:一个回顾性研究
Zheng Lin1,2, Lu-Yan Yu1,2, Si-Yi Pan1,2
1First Clinical Medical College, Zhejiang Chinese Medical University, No. 548 Binwen Road, Binjiang District, Hangzhou, 310006, Zhejiang, China.
Pain and therapy
|June 4, 2024
概括
这项研究开发了一种预测模型和评分表,以识别患有带状疹后患后神经疼痛 (PHN) 风险的患者. 梯度增强模型实现了高精度,有助于PHN的早期临床干预.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 疼痛管理 疼痛管理
背景情况:
- 后神经疼痛 (PHN) 是疹 (shingles) 的致残并发症,严重损害患者的生活质量.
- 对急性疹神经疼痛的早期干预对于潜在地减少PHN发生率或严重程度至关重要.
- 识别PHN高风险患者对于及时和有针对性的临床管理至关重要.
研究的目的:
- 开发和验证一个预测模型,用于识别患PHN风险的患者.
- 创建一个基于后勤回归的评分表来预测PHN风险.
- 促进在治疗急性疹神经疼痛方面做出明智的临床决策.
主要方法:
- 对524名住院疹患者的回顾性分析.
- 使用最小绝对收缩和选择运算符 (LASSO) 回归的特征选择.
- 开发和比较六种机器学习模型 (SVM,物流回归,随机森林,k-NN,梯度增强,神经网络).
- 验证模型性能并创建基于名ogram的预测分数表.
主要成果:
- 确定了PHN的八个关键预测因素:年龄,数值评分尺度 (NRS) 疼痛评分,治疗开始时间,皮疹恢复时间,恶性瘤史,糖尿病史,疹病毒IgM和血清神经特异性化.
- 梯度增强模型表现出卓越的性能,在测试组中曲线下的面积 (AUC) 为0.931,准确度为0.886.
- 开发的预测分数表实现了0.820的AUC和0.790.79的准确性.
结论:
- 使用机器学习建立了一个强大的方法来预测带状疹患者的PHN发展.
- 梯度增强模型和基于后勤回归的评分表为风险分层提供了有效的工具.
- 这些工具可以帮助临床医生为急性疹神经疼痛患者做出及时和个性化的治疗决策.
