机器学习在预测严重腿部部骨折患者的死亡风险中的应用:预测模型开发研究
Lingxiao Xu1, Jun Liu1, Chunxia Han1
1Department of Medical Statistics, Tongji University, Shanghai, China.
JMIR bioinformatics and biotechnology
|June 27, 2024
概括
机器学习模型准确地预测部部骨折 (FNF) 患者的住院死亡风险. 这些模型为早期临床决策提供了宝贵的见解,并改善了重症监护室患者的治疗结果.
科学领域:
- 整形外科手术 整形外科手术
- 密集护理医学 密集护理医学
- 在医疗保健中的数据科学.
背景情况:
- 腿部部骨折 (FNF) 是一种严重的骨科损伤,发病率越来越高.
- 住院死亡率及其预测因子在重症FNF患者入院ICU仍然不足研究.
- 骨骨折占骨折的很大一部分,特别是在中国.
研究的目的:
- 开发和验证机器学习模型,用于预测严重FNF患者的住院死亡率.
- 帮助临床医生为重症监护病房 (ICU) 入院做出早期决策.
- 在这个患者队列中确定影响住院死亡的关键因素.
主要方法:
- 来自密切护理III (MIMIC-III) 数据库的FNF患者数据的回顾性分析.
- 合成少数超样本技术 (SMOTE) 用于数据平衡的应用.
- 开发随机森林,极端梯度增强和逆向传播神经网络模型用于死亡率预测.
主要成果:
- 三种机器学习模型显示了医院死亡的高预测准确度.
- 接收器运行特征曲线 (AUC) 下的面积值为0.98 (随机森林),0.97 (极端梯度增强) 和0.95 (逆向传播神经网络).
- 发现的关键预测因素包括简化急性生理学评分II (SAPS II),乳酸,肌,性别,维生素D,和年龄.
结论:
- 机器学习模型为评估严重FNF患者住院死亡风险提供了强大的工具.
- 这些模型可以帮助减少死亡率并改善患者的预后.
- 使用人工智能的早期风险分层可以支持ICU的临床管理.
