根据实验室信息系统应用堆叠组合方法来预测中国人口的慢性病进展情况:一项回顾性研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能在医学中的应用
• 生物统计学 生物统计学

背景情况:

• 慢性病 (CKD) 在全球范围内构成了重大公共卫生挑战.
• 准确预测功能衰竭的进展对于有效的临床管理和患者护理至关重要.
• 机器学习提供了一种有前途的方法来增强CKD的预测能力.

研究的目的:

• 开发和外部验证用于预测CKD进展的机器学习模型.
• 利用常见的实验室变量,人口统计数据和电子健康记录进行预测.
• 识别高风险患者,以便及时干预和改善结果.

主要方法:

• 使用987名中国CKD患者的纵向临床数据开发了一个预测模型.
• 评估了53个实验室特征,最终的模型包含了6个关键变量.
• 用AUC,准确性,敏感性和内部和外部数据集的特异性等指标评估模型性能.

主要成果:

• 基于堆叠分类器的最佳模型包括24小时尿蛋白,,葡萄糖,尿素,前白蛋白和总蛋白.
• 该模型表现出强大的预测能力,AUC值为0.896 (验证) 和0.771 (外部数据集).
• 该模型准确地预测了多个随访期间的功能下降.

结论:

• 使用常规收集的实验室特征的预测模型可以有效地识别患有衰竭高风险的中国CKD患者.
• 开发的模型显示了无整合到临床实践中的潜在潜力,用于患者管理.
• 该模型的在线版本可以促进快速的临床决策和治疗规划.