开发和验证一种可解释的机器学习模型,用于预测肝硬化住院患者的多维脆弱性
Fang Yang1, Chaoqun Li2, Wanting Yang3
1Department of Digestive System, Baodi Clinical College of Tianjin Medical University, No.8 Guangchuan Road, Baodi District, Tianjin 301800, China.
Briefings in bioinformatics
|October 2, 2024
概括
我们开发了一种机器学习模型,用于预测缺乏补偿性肝硬化患者的脆弱性. 随机森林模型使用临床和实验室数据准确地识别了脆弱的患者,有助于临床理解和干预.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 老年病的医生 老年病的医生
- 人工智能在医学中的应用
背景情况:
- 虚弱是不补偿性肝硬化患者不良后果的重要预测因素.
- 准确预测脆弱性对于及时干预和管理至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测非补偿性肝硬化住院患者的多维脆弱性.
- 为了利用可解释的ML (SHapley添加式扩展 - SHAP) 来实现模型的解释性.
主要方法:
- 622名患者的队列被用于培训和测试,对131名患者进行外部验证.
- 五个ML算法进行了比较,随机森林 (RF) 模型因其预测性能而被选择.
- 使用SHAP分析来确定脆弱性的关键预测因素.
主要成果:
- 射频模型在内部和外部验证数据集中表现出强大的脆弱性预测性能.
- 通过SHAP确定的关键预测因素包括中性粒细胞与淋巴细胞的比率,年龄,淋巴细胞与单细胞的比率,炎和白蛋白.
- SHAP图表为个体患者的预测提供了临床上有意义的解释.
结论:
- 一个ML模型 (RF) 可以准确地预测不补偿性肝硬化中的脆弱表型.
- 该模型的可解释性增强了对脆弱性贡献者的临床理解.
- 这种方法可以为生理上脆弱的患者提供量身定制的干预措施.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
05:53Measuring Frailty in HIV-infected Individuals. Identification of Frail Patients is the First Step to Amelioration and Reversal of Frailty
Published on: July 24, 2013
16.6K
