基于电子健康记录数据的持续,不受控制的高血压和高血压危机的预测模型:算法开发和验证
Hieu Minh Nguyen1, William Anderson2, Shih-Hsiung Chou3
1Center for Health System Sciences (CHASSIS), Atrium Health, Charlotte, NC, United States.
使用电子健康记录的预测模型可以识别高风险患高血压危机的患者. 这些工具有助于人口健康管理和有针对性的高血压干预.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 失控的高血压带来重大风险,需要积极的疾病管理策略.
- 早期识别患有失控高血压的患者对于及时介入至关重要.
- 预测疾病进展有助于优化患者护理途径.
研究的目的:
- 开发和验证持续不受控制的高血压和高血压危机的预测模型.
- 用电子健康记录数据评估机器学习模型的性能.
- 评估不同人群的模型通用性.
主要方法:
- 利用了142,897名患有失控高血压的患者的大数据集.
- 开发并比较了四个机器学习框架:逻辑回归,多层感知子,梯度增强和随机森林.
- 采用十倍交叉验证和内部-外部交叉验证,以进行可靠的模型评估.
主要成果:
- 高血压危机模型表现出强大的预测性能 (C统计数据0.81内部,0.79外部).
- 持续不受控制的高血压模型表现中等 (C-统计学0.72内部,0.70外部).
- 这两种模式都超过了默认策略,表明了临床效用.
结论:
- 基于电子健康记录的模型显示出预测高血压危机的前景.
- 这些模型可以支持人口健康监测和高血压管理工作.
- 需要进一步的研究来提高持续不受控制的高血压的预测准确性.
更多相关视频
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
相关概念视频
Hypertension III: Clinical Manifestations and Diagnostic Studies
Errors occurring during blood pressure monitoring
Several factors...
Methods of Documentation VII: EMR
Hypertension and Regulation of Blood Pressure
Hypertension I: Introduction
Hypertension V: Nursing management
