在疹患者中解读严重疹后神经疼痛的危险因素:可解释的机器学习方法
Soo Jung Park1,2, Jinseon Han3,4, Jong Bum Choi5
1Department of Medicine, Ajou University School of Medicine, Suwon, South Korea.
Regional anesthesia and pain medicine
|January 8, 2025
概括
这项研究使用机器学习来预测疹 (HZ) 后的严重疹后神经疼痛 (PHN). 高龄,女性性别和某些病史是发展严重PHN的关键风险因素.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 流行病学 流行病学
背景情况:
- 后神经疼痛 (PHN) 是疹 (HZ) 的常见并发症.
- 预测PHN进展对于及时干预至关重要.
- 现实世界的数据分析可以揭示显著的风险因素.
研究的目的:
- 确定最佳的机器学习模型来预测严重的PHN.
- 确定与PHN进展相关的关键风险因素.
- 为高风险个体提供主动治疗策略.
主要方法:
- 分析了23,326名被诊断为HZ的患者的电子病历.
- 定义PHN是疼痛持续≥90天后HZ.
- 五种机器学习算法的比较,其中XGBoost被选用于风险因素分析.
主要成果:
- 在预测PHN方面,XGBoost表现出卓越的性能 (F1得分:0.351,准确率:0.900).
- 确定了八个主要的风险因素:年龄较大,女性性别,带状疹/癌症史,免疫抑制剂/抗抑郁剂使用,强烈的初始疼痛,以及中性粒细胞与淋巴细胞的比率.
- 高风险患者患PHN的可能性是7倍 (p<0.001).
结论:
- 机器学习有效地预测了严重的PHN进展.
- 鉴定的风险因素允许有针对性的患者分层.
- 高风险患者的积极管理可以减轻严重的PHN结果.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
09:07Mouse Footpad Inoculation Model to Study Viral-Induced Neuroinflammatory Responses
Published on: June 14, 2020
10.6K
