建立了机器学习模型来预测患有缺血性心脏病的老年患者的再入院情况
Xuewu Song1, Feng Xian2, Changyu Zhu1
1Department of Pharmacy, Sichuan Provincial People's Hospital, University of Electronic Science and Technology of China, Chengdu, China.
Kardiologia polska
|July 8, 2024
概括
机器学习模型可以使用出院数据识别30天或1年的再入院高风险的老年缺血性心脏病患者. 关键的临床特征有助于预测再接收风险.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 预测老年缺血性心脏病 (IHD) 患者的再接收风险至关重要,但研究不足.
- 影响30天或1年的再入院的临床特征需要进一步调查.
研究的目的:
- 开发和验证机器学习模型,用于预测老年IHD患者的30天和1年的再入院.
- 使用例行收集的医院出院数据,识别重收风险预测的关键临床特征.
主要方法:
- 采用了八个机器学习算法来构建预测模型.
- 通过使用接收器操作特征曲线 (AUROC) 下面的面积和精度回调曲线 (AUPRC) 下面的面积来评估模型性能.
- 使用了SHapley添加式扩展 (SHAP) 来进行特征贡献分析.
主要成果:
- 分类提升 (CB) 模型在30天 (AUROC 0.72) 和1年 (AUROC 0.66) 的再接收中都表现出卓越的预测性能.
- 确定了共同的重要特征,包括年龄调整的查尔森并发症指数,大脑天然尿素,心力衰竭和胆固醇.
- 其他显著的预测因素包括自由甲状腺素,胺基酶1,透压和红细胞分布宽度.
结论:
- 机器学习模型有效地识别高风险再入院的老年IHD患者.
- 常规收集的排放数据可以用于准确的再接收风险分层.
