使用机器学习开发的2年全因死亡率预测工具在4-5期慢性病患者中进行外部验证

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 慢性病 (CKD) 是增加死亡率的重要危险因素.
• 准确的个体死亡率预测对于提高CKD患者的临床结果至关重要.
• 机器学习模型为开发强大的预测工具提供了潜力.

研究的目的:

• 为外部验证最近开发的2年全因死亡率预测工具,用于4或5期CKD患者.
• 通过使用独立的区域数据集来评估该工具的性能.
• 评估预测工具的临床实用性.

主要方法:

• 使用了一组验证数据集,包括527名患有第四或第五阶段CKD的门诊患者.
• 使用接收器操作特征曲线下的面积 (AUC-ROC) 评估预测工具的性能,准确性,灵敏性和特异性.
• 采用卡普兰-梅尔生存分析来比较预测组之间的生存率.

主要成果:

• 该预测工具的AUC-ROC为0.72,精度为63.6%,灵敏度为72.5%,特异性为61.7%.
• 生存分析显示,预测的幸存者和死亡人群之间存在显著差异 (p < 0.001).
• 验证数据集包括年轻的患者,与学习数据集相比,死亡率较低.

结论:

• 两年全因死亡率预测工具表现出令人满意的歧视能力,特别是在敏感度方面.
• 该工具具有临床意义,并需要进一步开发,以便在第四或第五阶段的CKD患者管理中应用.
• 外部验证支持该工具在高风险CKD患者的临床决策中提供帮助的潜力.