相关实验视频
Updated: May 7, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
1.9K
为患有冠心病的老年患者构建和验证再接收风险预测模型
Hanyu Luo1, Benlong Wang1, Rui Cao1
1Department of Cardiology of Lu'an People's Hospital, Lu'an Hospital of Anhui Medical University, Lu'an, China.
Frontiers in cardiovascular medicine
|January 2, 2025
概括
机器学习准确地预测了老年冠状动脉疾病患者的再入院风险. 关键因素包括糖尿病,红细胞分布宽度 (RDW) 和三糖糖体质指数 (TyG-BMI).
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 患有冠状动脉疾病 (CAD) 的老年患者面临重大再入院风险.
- 识别重新入院的预测因素对于及时干预和改善患者结果至关重要.
研究的目的:
- 为了确定老年CAD患者3年再入院的风险因素.
- 开发和验证基于机器学习的预测模型,用于再接收风险.
主要方法:
- 利用了来自575名老年CAD患者的数据,根据3年的再入院状态对其进行分类.
- 使用拉索和后勤回归来识别因子,以及XGBoost,LR,RF,KNN,DT用于模型开发.
- 使用ROC曲线,校准图和决策曲线分析评估模型性能,并对143名患者进行外部验证.
主要成果:
- XGBoost模型实现了最高的预测准确性,AUC为0.903 (训练) 和0.891 (外部验证).
- 鉴定出糖尿病,红细胞分布宽度 (RDW) 和三糖糖体质指数 (TyG-BMI) 是重要的预测因素.
- XGBoost和决策树模型显示出强大的校准和临床实用性.
结论:
- 糖尿病,RDW和TyG-BMI是影响老年CAD患者再入院的关键因素.
- 基于XGBoost的预测模型在识别高风险患者方面表现出卓越的有效性.
- 该模型可以指导临床决策,并为有针对性的干预策略提供信息.
