预测印度尼西亚心力衰竭患者的严重性和再入院风险:一种机器学习方法

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 印尼的心力衰竭 (HF) 与预后不佳和高住院再接收率有关.
• 机器学习 (ML) 提供了一种有前途的方法来应对HF患者管理中的这些挑战.
• 目前的策略缺乏对HF严重程度和再录取的预测建模的专注关注.

研究的目的:

• 确定最佳的ML模型来预测HF严重程度和医院再入院.
• 评估将预测性ML模型集成到患者自我监测移动应用程序中的可行性.
• 改善患者的治疗结果,减少与高频率相关的医疗负担.

主要方法:

• 一项回顾性队列研究分析了2020-2022年期间入院的543名高温肺炎患者的数据.
• 使用了6个ML算法 (ANN,随机森林,梯度提升,天真贝叶斯,基于树的模型,物流回归).
• 用曲线下的面积 (AUC),精度和F1分数来评估模型性能.

主要成果:

• 人工神经网络 (ANN) 在预测HF严重程度 (AUC=1.000,精度=0.998,F1=0.998) 和再录取 (AUC=0.998,精度=0.975,F1=0.972) 方面表现出卓越的表现.
• 在543名患者中,138名 (25.6%) 患者再次入院.
• 在预测准确度方面,ANN显著超过了其他经过测试的ML算法.

结论:

• 在预测HF严重程度和医院再入院方面,ANN算法是最有效的.
• 建议将ANN集成到移动应用程序中,以便患者自我监测.
• 这种方法旨在积极预防HF再入院,并改善患者的自我护理.