基于机器学习,预测急性至慢性肝衰竭患者的28天预后
Shaotian Qiu1, Yumeng Zhao2, Jiaxuan Hu1
1The School of Medicine, Nankai University, Tianjin 300071, China; Department of Gastroenterology and Hepatology, Tianjin Union Medical Center Affiliated to Nankai University, Tianjin 300121, China.
概括
我们开发了一种XGB-ML模型,用于预测急性至慢性肝衰竭 (ACLF) 患者的28天死亡率. 这种模型还有助于评估治疗的有效性,优于现有的得分.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 机器学习在医学中的应用
- 预测建模预测建模
背景情况:
- 急性至慢性肝衰竭 (ACLF) 在患者管理中构成了重大挑战.
- 准确预测28天死亡率对于及时干预和资源分配至关重要.
- 现有的预后分数可能无法完全捕捉到ACLF预后的复杂性.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ACLF患者28天死亡率.
- 评估使用ML对ACLF医疗治疗的有效性.
- 将开发的ML模型的性能与已建立的临床评分进行比较.
主要方法:
- 分析了来自六家三级医院的736名ACLF患者队列.
- 拉索回归被用于特征选择,识别关键预测因素.
- 极端梯度提升 (XGB) 模型是使用AUC和精度指标开发和验证的.
主要成果:
- 与Child-Pugh,MELD和CLIF-SOFA得分相比,XGB-ML模型在预测28天死亡率方面表现优异.
- 确定的主要预测因素包括年龄,肝脏脑病变,总胆红素,前热血素活性和肌素.
- 顺序评估提高了预测准确度,有助于评估治疗有效性.
结论:
- 一个XGB-ML模型已成功建立,用于预测ACLF患者的28天死亡率.
- 该模型为评估ACLF的预后和指导治疗策略提供了有价值的工具.
- XGB-ML模型提供了比传统评分系统更好的预测能力.
更多相关视频
09:44Generation of a Rat Model of Acute Liver Failure by Combining 70% Partial Hepatectomy and Acetaminophen
Published on: November 27, 2019
10.1K
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
1.8K
