一种基于机器学习的预测模型,用于切术后的中枢神经系统二次感染

科学领域:

• 神经外科 神经外科
• 传染性疾病 传染性疾病
• 机器学习在医学中的应用

背景情况:

• 二次性中枢神经系统感染 (CNSIs) 是头骨切除术后的一个重大并发症.
• 确定可靠的风险因素和预测模型对于预防和管理这些感染至关重要.

研究的目的:

• 分析切术后二次性中枢神经神经系统感染相关的风险因素.
• 使用机器学习算法开发和验证CNSI风险的个性化预测模型.

主要方法:

• 使用单变量和多变量逻辑回归来选独立的风险因素.
• 使用逻辑回归,天真贝叶斯,随机森林,LightGBM和Adaboost算法构建了预测模型.
• 通过5倍交叉验证和临床验证验证Adaboost模型.

主要成果:

• 在临床验证中,Adaboost模型表现出优异的预测性能,AUC为0.897,整体准确率为76%.
• 关键的CNSI预测因素包括操作时间,腰部排水管的持续时间和排水管的存在.
• 该模型在预测CNSI方面达到60%的准确性,在预测非CNSI方面达到92%的准确性.

结论:

• 阿达博斯特算法提供了一种强大而准确的方法,用于预测二级CNSI骨切割后风险.
• 使用该模型进行个性化风险评估可能会改善患者的治疗结果,并指导预防策略.