预测缺血性中风患者再入院的可能性:使用常用数据模型数据的可解释机器学习方法
Yu Seong Hwang1, Seongheon Kim2, Inhyeok Yim3
1Department of Health Policy and Management, School of Medicine, Kangwon National University, 510 School of Medicine Building #1 (N414), 1, Kangwondaehak-gil, Chuncheon-si, Gangwon-do 24341, Republic of Korea.
International journal of medical informatics
|January 4, 2025
概括
机器学习使用电子健康记录准确地预测90天的中风复发. 这种方法有助于为中风幸存者提供个性化的护理,减少住院再接收,提高生活质量.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 缺血性中风影响全球数以百万计的人,高的再入院率需要改进患者管理.
- 预测和预防90天再入院对于提高中风幸存者的生活质量至关重要.
研究的目的:
- 开发和评估一种机器学习模型,用于预测缺血性中风患者的90天再入院.
- 通过使用电子健康记录数据,确定中风再入院的关键预测因素.
主要方法:
- 对1136名缺血性中风患者的电子病历进行了回顾性分析.
- 利用六个机器学习和三个深度学习模型,使用合成少数人过量采样技术.
- 采用了夏普利添加式解释 (SHAP) 来解释特征重要性.
主要成果:
- 17.2%的患者在90天内重新入院;男性的再入院率更高.
- 轻GBM模型实现了0.94的曲线下的面积,用于预测再接收.
- 关键预测因素包括和代谢变量:肌素,血液尿素,,和.
结论:
- 机器学习模型有效地使用通用数据模型 (CDM) 数据预测90天的中风再入诊.
- 研究结果支持针对中风患者的个性化出院后护理策略.
- 这项研究为未来关于中风再入院预测的多中心研究提供了基础.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
07:25Predicting Amputation using Local Circulating Mononuclear Progenitor Cells in Angioplasty-treated Patients with Critical Limb Ischemia
Published on: September 22, 2020
3.4K
