基于机器学习的预测模型,用于分析急性腹痛患者的风险因素:一项回顾性研究
Tian Gan1, Xiaochao Liu1, Rong Liu1
1Department of Emergency Medicine, Wuhan Puren Hospital, Wuhan University of Science and Technology, Wuhan, China.
Frontiers in medicine
|June 21, 2024
概括
机器学习准确地预测急性腹痛 (AAP) 在急诊室的严重程度. 一个人工神经网络模型,仅使用七个关键指标,改善了病人分拣和资源分配对于关键病例.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 紧急医疗 紧急医疗
背景情况:
- 急性腹痛 (AAP) 是一个频繁的急诊室 (ED) 呈现,需要客观分类.
- 有效的分组确保了重症患者及时获得诊断和治疗资源.
研究的目的:
- 开发一个机器学习 (ML) 模型来预测AAP分类.
- 确定关键指标来分层AAP的重症患者.
主要方法:
- 对AAP的2019年ED患者记录的回顾性分析.
- 单变量和多变量逻辑回归来识别高风险因素.
- 评估八个ML模型,包括人工神经网络 (ANN),用于分选预测.
主要成果:
- 确定了11个与AAP严重程度相关的统计学上显著的临床指标.
- 该ANN模型实现了最高的性能 (精度为0.9792,AUC为0.9972).
- 用七个变量 (糖尿病,中风史,脉,血压,白,肠道声音,疼痛位置) 优化的ANN模型达到0.9832.3的AUC.
结论:
- 该ANN模型对于AAP分拣预测非常有效.
- 使用七个变量的简化ANN模型保持了强大的预测性能.
- 这有助于快速临床选和优化资源分配给AAP患者.


