开发一种基于机器学习的模型,用于预测外周静脉导管相关炎的发生率

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 周围血管内导管 (PIVC) 相关的炎是重症患者常见的并发症.
• 早期识别高风险患者对于预防不良结果至关重要.

研究的目的:

• 开发和验证机器学习模型,用于预测与PIVC相关的炎发病率.
• 为了比较不同机器学习算法的性能,用于此预测任务.

主要方法:

• 利用了3429个PIVC在危急病患者中的数据.
• 开发并验证了四种机器学习模型:随机生存森林 (RSF),LASSO,随机森林 (RF) 和渐变增强决策树.
• 在开发和验证队列中使用7:3的分割;使用考克斯比例危险 (COX) 和后勤回归 (LR) 作为比较器.

主要成果:

• 与COX模型相比,RSF模型显示了与COX模型相比,对于时间到事件疹的更高的预测性能 (c-统计值0.689与0.516).
• 对于二进制结果的RSF,LASSO,RF和梯度增强模型之间没有发现预测性能的显著差异.
• RSF确定的主要预测因素包括插入部位,导管材料,年龄和尼卡迪平的使用.

结论:

• 机器学习模型,特别是RSF,显示了预测PIVC相关炎的潜力.
• RSF提供了一种有价值的工具,用于对炎发生的时间对事件分析.
• 需要进一步验证,以将这些模型纳入临床实践.