预测急性中肠缺血死亡率的一种方法:机器学习

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 临床医学 临床医学

背景情况:

• 在临床实践中,急性介质缺血 (AMI) 是一个重大挑战.
• 预测AMI患者的医院死亡率对于及时干预至关重要.
• 在AMI中预测死亡率的现有方法可能缺乏效率和准确性.

研究的目的:

• 开发和验证使用机器学习 (ML) 的人工智能 (AI) 模型,用于预测AMI患者的医院死亡率.
• 确定与AMI死亡率相关的独立风险因素.
• 建立一个高效,快速的方法来预测AMI中的死亡率.

主要方法:

• 一组122名AMI患者被追溯分析.
• 患者被分为训练 (n=97) 和验证 (n=25) 队列.
• 血清实验室结果被用作特征,用递归特征消除 (RFE) 来进行特征选择.
• 机器学习算法包括后勤回归,随机森林,k-最近邻居,多层感知子,支持矢量分类器和投票分类器在Python中实现.

主要成果:

• 整体住院死亡率为50%.
• 确定的主要预测因素包括年龄,红细胞分布宽度 (RDW),C反应蛋白 (CRP),乳酸,球蛋白和肌素.
• 支持矢量分类器 (SVC) 和投票分类器 (VC) 的表现最高,成功率为84%,SVC的曲线下面面积 (AUC) 为0.90.

结论:

• 成功确定了AMI患者死亡的独立风险因素.
• 已经开发出一种基于ML的高效和快速的方法来预测AMI的医院死亡率.
• 开发的模型显示了通过早期风险分层来改善患者结果的希望.