使用可解释机器学习的临床决策支持系统,用于治疗患有缺血性中风而入院ICU的老年患者的3个月死亡率
Jian Huang1,2,3, Xiaozhu Liu4, Wanlin Jin1,2
1Health Management Center, Hunan Provincial Clinical Medicine Research Center for Intelligent Management of Chronic Disease, The Second Xiangya Hospital of Central South University, Changsha, Hunan, China.
机器学习模型可以预测缺血性中风 (IS) 的老年患者的3个月死亡率. CatBoost 模型表现出最好的表现,帮助早期识别高风险个体,以改善医疗保健.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 患有缺血性中风 (IS) 的老年患者面临更高的严重后果风险,包括死亡率和残疾.
- 老年人因IS入住重症监护室 (ICU) 与显著的死亡率有关.
- 开发准确的预测模型对于管理这种脆弱人口至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测IS老年患者的3个月死亡率.
- 确定这一患者群体中死亡率的关键预测因素.
- 利用可解释的机器学习来支持临床决策.
主要方法:
- 一个回顾性队列研究,使用来自MIMIC-IV和INSPIRE数据库的数据.
- 使用了十个机器学习算法 (CatBoost,RF,SVM,NN,GBM,KNN,MLP,NB,XGBoost,LR).
- 模型性能使用AUC和准确度进行评估,并通过SHAP值进行可解释机器学习 (IML) 来进行风险预测.
主要成果:
- CatBoost模型实现了最高的预测性能,AUC为0.737 (测试组) 和0.709 (外部验证).
- 八个关键变量 (例如,格拉斯哥昏迷表,白蛋白,年龄) 被确定为重要的预测因素.
- 可解释的CatBoost模型提供了对死亡风险因素的见解.
结论:
- CatBoost模型在老年ICU患者的IS中显示出对3个月死亡率的优异预测能力.
- 可解释机器学习通过早期识别高风险患者来增强临床决策.
- 这种方法可以促进及时和有针对性的医疗保健干预.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
相关概念视频
Acute Coronary Syndrome IV: Interprofessional Care
Heart Failure V: Medical Management
Heart Failure VI: Adjunct Therapies
Cardiomyopathy V: Interprofessional Care
