开发一种机器学习模型,预测患有心血管炎的老年患者的180天再入院情况

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:

• 年长的胸痛患者面临着高的再入院率.
• 缺乏预测工具阻碍了再接收评估.
• 这项研究解决了在这个人口群体中需要准确的再接收预测的需求.

研究的目的:

• 开发一种机器学习 (ML) 模型,用于预测老年胸痛患者在180天内因任何原因重新入院的情况.
• 确定与再接收风险相关的关键临床变量.

主要方法:

• 追溯收集了1502名老年胸痛患者的临床数据.
• 开发和比较5个ML算法用于预测.
• 使用AUROC,AUPRC和Brier分数对模型性能进行评估.
• SHAP分析以确定变量的重要性.

主要成果:

• 极端梯度提升 (XGB) 模型表现出强大的预测性能 (AUROC = 0.89,AUPRC = 0.91).
• 180天再入院的重要预测因素包括药物计数,血红素和慢性阻塞性肺病.
• SHAP分析证实了这些变量的贡献.

结论:

• 一个ML模型可以有效地识别180天再入院的高风险的老年胸痛患者.
• 该模型通过突出个人风险因素来帮助临床医生,从而促进有针对性的干预.
• 这种方法可以帮助降低患者再入院率并改善护理结果.