机器学习使用患者特征和导管技术特征预测外围插入的中央导管相关的深静脉血栓
Yuan Sheng1,2, Wei Gao3
1Shandong University, Jinan, China.
Clinical nursing research
|July 30, 2024
概括
机器学习模型准确地预测了外围插入的中央导管-深静脉血栓症 (PICCs-DVT). 关键预测指标包括导管至静脉率,Zubrod-ECOG-WHO得分和插入尝试,有助于临床理解.
科学领域:
- 医疗信息学 医疗信息学
- 临床数据科学 临床数据科学
- 生物统计学 生物统计学
背景情况:
- 周围插入的中央导管 (PICC) 广泛使用,但与深静脉血栓塞 (DVT) 有关.
- 预测PICCs-DVT对于患者安全和有效的临床管理至关重要.
- 识别关键的患者和导管特征可以改善风险分层.
研究的目的:
- 开发和评估用于预测PICCs-DVT的机器学习 (ML) 模型.
- 分析患者和导管特征在PICCs-DVT预测中的重要性.
- 为PICCs-DVT.形成机制提供数据驱动的见解.
主要方法:
- 一项系统的文献审查确定了21个相关的患者和导管特征.
- 来自1,065名PICC患者的数据被用于训练和测试ML模型 (SVC,RF,ANN).
- 转换重要性被用于特征重要性分析,评估使用精度,回忆,准确性和AUC的预测性能.
主要成果:
- ML模型在预测PICCs-DVT方面表现出强的表现,平均指标为P=0.92,R=0.95,ACC=0.88,AUC=0.81.
- 随机森林模型获得了最高的性能 (P=0.95,R=0.96,ACC=0.92,AUC=0.86).
- 导管至静脉率,Zubrod-ECOG-WHO得分和插入尝试始终被确定为模型中前三大最重要的特征.
结论:
- 机器学习模型是预测PICCs-DVT的有效工具.
- 特定的患者和导管特征显著促进PICCs-DVT风险.
- 这些发现可以帮助临床医生了解PICCs-DVT的形成,并实施预防策略.
