使用机器学习模型来预测通过气管素A测量的微吸
Annette Bourgault1, Ilana Logvinov2, Chang Liu3
1Annette Bourgault is an associate professor in Nursing, University of Central Florida College of Nursing, Orlando.
概括
气管素A表示微吸,并可以预测肠道食不耐受. 机器学习确定了关键预测因素,帮助风险患者进行早期干预.
科学领域:
- 关键护理医学 关键护理医学
- 胃肠病学 胃肠病学
- 发现生物标志物的发现.
背景情况:
- 肠道食不耐受是常见的,并与较高的死亡率有关.
- 微吸,以气管素A表示,在接受机械呼吸的患者中经常发生.
- 气管素A是肠道食不耐症的潜在生物标志物.
研究的目的:
- 用气管或口腔素A.识别微吸的预测因子.
- 确定气管素A的预测因子是否与肠道食不耐症的预测因子重叠.
主要方法:
- 机器学习模型 (随机森林,XGBoost,SVM) 应用于283名通风成年人的数据.
- 气管和口腔吸附物在14天内分析了素A水平.
- 使用5倍交叉验证识别了预测因素.
主要成果:
- 随机森林模型在预测气管内素A (AUC 0.844) 方面表现出很高的性能.
- 成功确定了气管素A的前20个预测因子.
- 气管素A的四个预测因子也与肠道食不耐受有关.
结论:
- 气管素A显示为肠道食不耐受症的生物标志物具有前途.
- 机器学习有效地识别了微志向的预测因素.
- 识别有风险的患者可以促进肠道食不耐症的及时治疗.
