一个增强的基于机器学习的预后预测模型,用于侵袭性机械通风的AECOPD患者

科学领域:

• 肺部医学 肺部医学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 慢性阻塞性肺病 (COPD) 是全球发病率和死亡率的主要原因之一.
• 慢性肺炎的急性恶化 (AECOPDs) 显著恶化患者的预后,并且经常需要机械呼吸.
• 确定机械通风的AECOPD患者的预后因素对于改善临床结果至关重要.

研究的目的:

• 增强RIME算法,以改善在AECOPD预测预测中的特征选择和解决方案空间探索.
• 开发和验证一个新的算法,DDRIME,用于预测需要机械通风的AECOPD患者的结果.
• 确定与机械通风AECOPD患者的预后相关的关键临床指标.

主要方法:

• 该研究介绍了DRIME,这是RIME算法的增强版本,包含分散食机制和差异交叉操作员.
• 通过使用83个函数和12个公共数据集,对DDRIME的功能选择能力与原来的RIME算法进行了评估.
• 分析了需要侵入性机械通风的AECOPD病例的患者数据,以确定预后因素.

主要成果:

• 与大多数其他测试的算法相比,DDRIME在功能选择方面表现出了卓越的表现.
• 该bDDRIME_KNN变种在预测AECOPD患者的结果方面取得了很高的准确性.
• 慢性心力衰竭 (CHF),D-二分体 (D-D) 水平,真菌感染 (FI) 和胸肌区域 (PMA) 被确定为预测预后的关键指标,准确度>0.98.

结论:

• 在功能选择和优化方面,DDRIME代表了与RIME算法相比的显著进步.
• bDDRIME_KNN模型显示,在接受机械呼吸的AECOPD患者中,准确预测结果具有很大的潜力.
• 确定的关键指标 (CHF,D-D,FI,PMA) 为这些高风险患者的预后评估和临床管理提供了宝贵的见解.