机器学习算法避免了在资源有限的环境中不必要的造术以排除肝硬化中的SBP

科学领域:

• 肝病学和胃肠病学 肝病学和胃肠学
• 医疗信息学 医疗信息学
• 机器学习在医学中的应用

背景情况:

• 自发细菌性腹膜炎 (SBP) 的延迟诊断与患者的不良结果有关.
• 及时的体检查对于SBP诊断至关重要,尽管有指导方针,但仍未充分利用 (<15%).
• 需要使用非侵入性的方法来排除SBP,特别是在形手术具有挑战性的情况下.

研究的目的:

• 开发和验证一种机器学习模型,以非侵入性排除自发细菌炎 (SBP).
• 用例行收集的临床变量来评估模型的性能.
• 评估模型在减少对体检的需求方面的潜力.

主要方法:

• 使用了退伍军人卫生管理公司数据仓库 (VHA-CDW) 的2009-2019年的数据,用于肝硬化患者.
• 训练了XGBoost模型在75%的初级队列中进行及时化,保留25%用于测试.
• 在两个独立的队列中验证了最终模型:接受第二次体术的VHA-CDW患者和潜在的医院患者.

主要成果:

• 机器学习模型在概率切线 (5%,10%,15%) 上实现了高负预测值 (NPV) 的SBP.
• 在初级队列中,测试组的NPV从91.6%到96.5%不等.
• 验证队列显示出出色的NPV,在一个潜在队列中达到100%,表明强的表现.

结论:

• 使用常规收集的变量的机器学习模型可以有效地排除具有高负预测值的自发细菌腹膜炎 (SBP).
• 这种模型为SBP诊断提供了一个有希望的非侵入性方法.
• 实施可以通过识别不太可能患有SBP的患者来简化资源有限的环境中的体.