使用机器学习模型预测一氧化碳中毒患者的延迟神经后续

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 毒理学 毒理学 毒理学

背景情况:

• 延迟的神经后续 (DNS) 是一氧化碳 (CO) 中毒的常见并发症.
• DNS显著影响患者的生活质量.
• 需要预测模型来识别有风险的个体.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测CO中毒患者的DNA.
• 识别导致DNS预测的关键因素.

主要方法:

• 360名CO中毒患者的回顾性分析.
• 开发和评估16个ML模型.
• 使用合成少数群体过量采样技术 (SMOTE) 与随机森林 (RF).
• 使用准确度,灵敏度,特异性和AUC评估的性能.

主要成果:

• 在SMOTE-Random森林模型中,AUC达到0.89.
• 该模型显示了高精度 (0.83),灵敏度 (0.9) 和特异性 (0.8).
• 关键预测因素包括格拉斯哥昏迷量表,高压氧疗法,功能,免疫反应,肝功能和血液凝固.

结论:

• 一个强大的ML模型 (SMOTE-Random Forest) 可以准确地预测CO中毒患者的DNS.
• 该模型有助于早期识别具有DNS高风险的个人.
• 可解释AI (SHAP) 突出了影响DNS风险的关键临床因素.