通过机器学习构建一种疾病风险预测模型,用于治疗后的

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 皮肤病学 皮肤病学

背景情况:

• 后 (PHI) 是疹的一个使人虚弱的并发症,严重影响患者的生活质量.
• 早期干预策略对于减少PHI的发病率和严重程度至关重要.
• 识别有风险的患者对于实施预防措施至关重要.

研究的目的:

• 开发和验证使用机器学习对后 (PHI) 的预测模型.
• 为了识别患有疹病毒的患者,他们有发展PHI的高风险.
• 为了促进早期干预和预防PHI.

主要方法:

• 对488名住院的黄疹患者进行了回顾性审查.
• 收集了50个潜在指标,最少绝对收缩选择运营商 (LASSO) 确定了关键特征.
• 五个机器学习模型 (逻辑回归,随机森林,k-最近邻居,梯度增强决策树,神经网络) 经过5倍交叉验证并重复100次的训练和验证.

主要成果:

• 确定了七个关键预测变量:年龄,中度疼痛,皮疹恢复时间,糖尿病,严重疼痛,头部/面部皮疹和基细胞比例.
• 随机森林 (RF) 模型的表现优于其他模型,AUC为0.84 (95% CI:0.80-0.88).
• 射频模型的准确度为0.78,精度为0.61,回忆率为0.73,特异性为0.79.

结论:

• 机器学习模型可以有效地预测疹后 (PHI) 在疹患者的风险.
• 随机森林模型是一个有前途的工具,用于识别具有PHI高风险的个人.
• 这种预测能力支持针对性PHI预防策略的临床实施.