基于改进的机器学习模型,构建了急性帕拉克瓦特中毒的预后预测模型和可视化系统
Long Li1, Xinxuan Han1, Zhigang Zhang2
1Emergency Department, The 945th Hospital of the Joint Logistics Support Force of the Chinese People's Liberation Army, Ya'an, China.
Digital health
|October 14, 2024
概括
这项研究开发了一种改进的机器学习模型 (HHO-XGBoost),用于预测急性帕拉克瓦特中毒的预后. 血清肌素和口服剂量等关键因素显著影响患者的治疗结果.
科学领域:
- 毒理学 毒理学 毒理学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 急性帕拉克瓦特中毒是一个重大的临床挑战,死亡率很高.
- 准确的预后预测对于有效的患者管理和资源分配至关重要.
研究的目的:
- 开发和验证一种先进的机器学习模型,用于预测急性石石中毒的预后.
- 创建一个可视化系统,以帮助临床决策.
主要方法:
- 分析了一组101名急性帕拉克瓦特中毒患者的队列.
- 使用HHO-XGBoost算法构建了一个预后预测模型.
- 多变量物流分析被用来识别关键的预测特征.
主要成果:
- 该HHO-XGBoost模型确定了七个关键特征,包括口服剂量,血清肌素,ALT,白细胞计数,中性粒细胞计数,尿素和血时间.
- 多变量分析证实了血清肌素,口服剂量,ALT和WBC计数作为预后的显著预测因素.
- 对于这些特征,在生存和死亡组之间观察到统计学上显著的差异 (P <0.05).
结论:
- 该HHO-XGBoost模型提供了一个有价值的工具,用于预测急性帕拉克瓦特中毒的预后.
- 开发的模型和可视化系统可以帮助临床医生预测患者的结果.
- 机器学习提供了一种有前途的方法,以提高对帕拉克瓦特中毒病例的管理.
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
8.2K
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
