基于卡普里尼尺度和可解释的机器学习方法,确定泌尿器科住院患者静脉血栓栓塞的关键风险因素
Chao Liu1,2, Wei-Ying Yang3, Fengmin Cheng3
1Medical Department, The Second Affiliated Hospital of Hebei North University, Zhangjiakou, 075000, Hebei, China.
Thrombosis journal
|August 16, 2024
概括
在泌尿器科患者中确定静脉血栓塞栓症 (VTE) 主要危险因素至关重要. 年龄,重大手术和恶性瘤显著影响VTE风险,指导临床预防策略.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 机器学习 机器学习
- 血管医学 血管医学
背景情况:
- 静脉血栓栓塞 (VTE) 对泌尿器科住院患者构成重大风险.
- 卡普里尼尺度是VTE风险评估的标准工具.
- 可解释机器学习方法可以增强风险因素的识别.
研究的目的:
- 通过使用卡普里尼尺度来确定泌尿科住院患者的关键VTE风险因素.
- 应用可解释的机器学习方法进行风险因素分析.
- 在泌尿病学中产生VTE风险分层的决策规则.
主要方法:
- 分析了使用卡普里尼尺度评估的泌尿器科住院患者的数据.
- 使用Boruta方法从37个Caprini变量中选择特征.
- 粗集 (RS) 方法生成决策规则;随机森林 (RF),支持矢量机 (SVM) 和反向传播人工神经网络 (BPANN) 模型验证了准确性.
主要成果:
- 确定的关键VTE风险因素包括年龄,小/大/腹腔镜手术,肥胖,静脉缩,败血症,肺部疾病,慢性肺炎,不运动,恶性瘤,中枢静脉通道,血栓,中风.
- 年龄,重大手术和恶性瘤是中高风险静脉瘤评估的主要驱动因素.
- BPANN获得了最高的准确性 (97.2%),其次是SVM (92.6%),RF (87.9%) 和RS (79.5%).
结论:
- 虽然RS模型的准确性较低,但它的解释性对临床医生来说很有价值.
- RS模型有效地确定了泌尿病学中VTE的高风险因素和决策规则.
- 风险评估的透明度对于VTE预防的临床决策至关重要.
