可解释的机器学习用于预测急性心力衰竭患者的30天再入院
Yang Zhang1,2, Tianyu Xiang3, Yanqing Wang4
1College of Medical Informatics, Chongqing Medical University, Chongqing, China.
iScience
|July 23, 2024
概括
一个新的机器学习模型有效地预测急性心力衰竭 (AHF) 患者的30天再入院风险. XGBoost模型表现出卓越的性能,为患者护理和医院资源管理提供了更高的准确性.
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:
- 急性心力衰竭 (AHF) 是重新入院的首要原因.
- 预测30天再接收风险对于有效的患者管理和资源分配至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于识别因AHF住院后面临30天无计划再入院高风险的患者.
主要方法:
- 分析了2232名AHF患者的队列.
- 用差异膨胀因子和5倍交叉验证来选择临床变量.
- 应用了五种机器学习算法,使用灵敏度,特异性和AUC来评估性能.
- 用SHapley添加式解释 (SHAP) 来解释结果.
主要成果:
- 该XGBoost模型实现了最高的性能,AUC为0.763 (0.703-0.824).
- 该模型的灵敏度为0.660,准确度为0.709.
- 在预测再接收风险方面,XGBoost模型超过了传统的后勤回归 (LR) 模型.
结论:
- 开发了一种最佳的XGBoost模型,用于预测AHF患者的30天计划外再接收风险.
- 这种机器学习方法比传统的风险分层方法有显著的改进.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
