急性损伤住院老年患者的主要不良事件:基于机器学习的模型开发和验证研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 人工智能在医学中的应用
• 老年医学 老年医学

背景情况:

• 急性损伤 (AKI) 是住院老年人的严重并发症,增加了发病率和死亡率.
• 30天内发生的重大脏不良事件 (MAKE30) 是AKI临床试验中以患者为中心的关键终点.

研究的目的:

• 开发和验证一种机器学习模型,用于预测AKI患者住院老年患者的MAKE30.
• 使用先进的算法识别MAKE30的关键预测因素.

主要方法:

• 利用极端梯度提升 (XGBoost) 来构建MAKE30的预测模型.
• 使用Boruta算法从53个候选变量中进行特征选择.
• 在内部和外部测试集上验证模型,使用AUROC评估性能.

主要成果:

• XGBoost模型表现出强大的预测性能,在训练组中AUROC为0.868,在内部测试组中为0.823.
• 确定的主要预测因素包括血管压缩剂的使用,机械通风,血液尿素,红细胞分布宽度变化系数和血清白蛋白.
• 一个简化的模型在外部测试组中获得了0.744的AUROC.

结论:

• 一个可解释的XGBoost模型用于预测老年AKI患者的MAKE30已成功开发和验证.
• 该模型为AKI管理中的风险分层和临床决策提供了有价值的工具.
• 这种预测模型可以增强AKI临床试验的设计和执行.