基于机器学习方法,对老年肠口术患者早期术后虚弱的风险预测模型进行比较研究
Zhang Ya-Juan1, Dong Fang-Hui1, Xue Yi-Wei1
1Department of Nursing, Shanghai Sixth People's Hospital Affiliated to Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in medicine
|July 24, 2024
概括
机器学习模型可以预测肠口术患者的早期术后脆弱性. XGBoost表现出卓越的准确性,将生活质量确定为风险分层和预防策略的关键预测指标.
科学领域:
- 老年医学 老年医学
- 手术瘤学手术瘤学
- 医疗信息学 医疗信息学
背景情况:
- 术后早期的虚弱性对肠静脉切割的老年患者构成重大风险,可能导致不良后果.
- 准确预测脆弱性对于及时干预和改善患者管理至关重要.
- 现有的预测模型可能无法完全捕捉影响该人群早期术后脆弱性的因素的复杂性.
研究的目的:
- 开发和比较四种机器学习模型的性能,用于预测肠道切除术患者的早期术后脆弱性.
- 确定脆弱性的关键预测因素,以指导临床决策和预防策略.
- 为减少老年肠静脉瘤患者早期术后虚弱的发生率提供基础.
主要方法:
- 从三个医院招募了362名早期术后肠口术患者的前性便利样本.
- 开发和比较了四种机器学习模型:支持矢量机 (SVM),贝叶斯,XGBoost和物流回归.
- 模型性能使用包括马修斯相关系数 (MCC),F1得分,曲线下的面积 (AUC) 和屏障得分在内的指标进行评估.
主要成果:
- 与SVM,物流回归和贝叶斯模型相比,XGBoost模型在灵敏度和准确度方面表现出卓越的性能.
- 发现的关键预测因素包括人口统计信息,口腔关节相关因素,生活质量和心理状态 (焦虑和抑郁症).
- 生活质量成为识别高风险患者的一个重要因素.
结论:
- 在XGBoost机器学习模型是有效的预测早期的术后虚弱的肠道瘤患者.
- 生活质量是识别患有脆弱性高风险的患者的一个重要指标.
- 实施这些发现可以帮助减少早期术后虚弱的发生率,并改善老年肠静脉瘤患者的治疗结果.
