住院儿科患者急性病:基于人工智能方法的风险预测

科学领域:

• 儿科脏病学 儿科脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 急性损伤 (AKI) 和急性病 (AKD) 在住院儿童中很常见,增加死亡率和住院时间.
• 早期识别损伤对于改善患者的治疗结果至关重要.
• 这项研究解决了在儿童群体中及时检测AKI和AKD的需要.

研究的目的:

• 开发和验证基于机器学习的儿童患者AKI和AKD风险预测模型.
• 为了实现早期干预的个性化风险预测.
• 创建一个可访问的工具来预测AKI和AKD.

主要方法:

• 利用了2,346名住院儿科患者 (2020年1月 - 2023年1月) 的数据.
• 训练并测试了八种机器学习和两种整体算法,通过AUROC.选择最佳模型.
• 采用SHAP来实现模型的可解释性,并使用Streamlit开发了一个在线预测工具.

主要成果:

• AKI和AKD的发病率分别为14.90%和16.26%.
• 光GBM算法显示出强大的预测性能 (AUROC:AKI的0.813,AKD的0.744).
• 确定的关键预测因素包括AKI的血清肌素和AKD的质子抑制剂.

结论:

• 儿童中AKI和AKD的高发病率需要主动管理.
• 通过基于Web的工具支持的机器学习模型可以有效地预测儿科患者的AKI和AKD.
• 通过这些模型早期识别高风险儿童,有可能改善临床结果.