根据机器学习算法,对接受活体供体肝移植的儿童的压力损伤的预测模型
Xiaomei Chen1, Shi Tang1, Yanwen Qin1
1Department of Nursing, Renji Hospital, School of Medicine, Shanghai Jiaotong University, Shanghai, China.
Journal of advanced nursing
|September 10, 2024
概括
机器学习有效地预测了儿科肝移植患者的压力损伤 (PI). 决策树模型确定了关键的风险因素,为护士提供了有针对性的预防策略.
科学领域:
- 儿科移植 儿科移植
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 压力损伤 (PIs) 对接受活体供体肝移植 (LDLT) 的儿科患者构成重大风险.
- 准确的风险预测对于在这个脆弱人群中及时实施预防措施至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于预测LDLT儿童的PI风险.
- 确定与该队列PI发展相关的关键风险因素.
主要方法:
- 这是一项回顾性队列研究,涉及438名接受LDLT的儿科患者.
- 数据被随机分为训练 (70%) 和测试 (30%) 组.
- 四个机器学习算法 (决策树,随机森林,梯度增强决策树,极端梯度增强) 用于构建预测模型.
主要成果:
- 整体PI发病率为9.6% (438名患者中有42名).
- 决策树模型展示了最高的预测效率.
- 通过决策树模型确定的关键预测因素包括操作时间,手术期间使用皮质类固醇,以及手术前皮肤状况/保护.
结论:
- 机器学习,特别是决策树算法,有效地识别了儿童LDLT患者预测PI的关键因素.
- 开发的预测模型为护士提供了一个直观的工具来评估PI风险并实施有针对性的预防策略.
