一个基于机器学习的预测模型,用于社区获得性肺炎患者的急性损伤:多中心验证研究
Mengqing Ma1, Caimei Chen2, Dawei Chen1
1Department of Nephrology, Nanjing First Hospital, Nanjing Medical University, Nanjing, China.
Journal of medical Internet research
|December 19, 2024
概括
机器学习准确地预测社区获得性肺炎 (CAP) 患者的急性损伤 (AKI). 深森林模型和网络工具有助于早期识别风险,改善患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 腎病學研究 腎病學研究
背景情况:
- 急性损伤 (AKI) 是社区获得性肺炎 (CAP) 的常见并发症.
- 在CAP患者中的AKI显著增加了发病率和死亡率.
- 在CAP中早期预测AKI对于及时干预至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测住院CAP患者的AKI.
- 在CAP队列中确定AKI发展的关键指标.
- 为早期AKI风险评估创建一个用户友好的工具.
主要方法:
- 训练并验证了五种机器学习算法:物流回归,SVM,随机森林,XGBoost和深森林 (DF).
- 员工的滑动窗前置功能选择,以实现最佳的指示器识别.
- 使用SHAP和LIME进行模型解释.
主要成果:
- 该研究包括6371名CAP患者,其中15.8%患有AKI.
- DF模型表现出优异的性能,AUC为0.89 (内部) 和0.87 (外部).
- 使用验证的DF模型开发了一个基于Web的预测平台.
结论:
- 本研究提出了首个多中心验证的AKI预测模型,用于CAP患者.
- 开发的深森林模型准确地预测了住院期间与CAP相关的AKI.
- 基于网络的平台有助于早期识别高风险个体.
