基于机器学习的预测模型,用于tigecycline治疗后的低纤维素生成症
Jianping Zhu1, Rui Zhao1, Zhenwei Yu1
1Pharmacy Department, Sir Run Run Shaw Hospital, School of Medicine, Zhejiang University, Hangzhou, 310020, China.
BMC medical informatics and decision making
|October 4, 2024
概括
这项研究确定了在tigecycline (TGC) 治疗期间出现低纤维素生成血症 (HF) 的危险因素. 机器学习模型预测HF风险和分层患者生存率,帮助临床决策.
科学领域:
- 药理学和临床医学 药理学和临床医学
- 医疗信息学和机器学习
背景情况:
- 低纤维蛋白质血症 (HF) 是与tigecycline (TGC) 治疗相关的显著不良事件.
- 在临床实践中观察到的TGC相关的HF发病率高于制造商报告的概率.
研究的目的:
- 为了确定导致tigecycline诱导的低纤维素生成血症的关键风险因素.
- 开发TGC相关的HF及其时间发生的预测和生存模型.
主要方法:
- 这是一项对222名用TGC治疗的患者进行的回顾性队列研究.
- 二元物流回归选了TGC相关的HF的独立因子.
- 开发和验证了极端梯度增强 (XGBoost) 和随机生存森林 (RSF) 模型.
主要成果:
- 确定了9个独立因素预测TGC相关的HF.
- XGBoost模型显示出良好的预测性能 (AUC=0.792) 和临床效用.
- 该RSF模型准确地分层了患者的风险 (C指数=0.746),显示了风险组之间的显著生存差异.
结论:
- XGBoost模型有效地预测了与tigecycline相关的低纤维素生成血的风险.
- RSF模型为接受TGC的患者提供了有价值的风险分层.
- 这些模型为缓解TGC治疗风险提供了重要的临床价值.
