使用机器学习算法,在肯尼亚的儿科患者中推导和验证了治疗长时间腹的临床预测模型

科学领域:

• 儿童传染病 儿童传染病
• 计算流行病学计算流行病学
• 临床决策支持系统临床决策支持系统

背景情况:

• 在儿童中,持续时间较长的腹 (LDD) 与不良健康结果有关.
• 目前缺乏用于识别患有LDD风险的儿童的临床工具.
• 机器学习 (ML) 为开发LDD的预测模型提供了一种新的方法.

研究的目的:

• 推导和验证一种机器学习 (ML) 预测模型,用于识别患有长期腹 (LDD) 风险增加的儿童.
• 评估各种ML算法的性能和校准,以预测LDD.
• 确定幼儿LDD的关键预测因素.

主要方法:

• 利用两个非洲研究 (N=1,482和N=682) 的非识别数据进行模型开发和时间验证.
• 应用了7个ML算法,包括随机森林,以预测LDD (≥7天).
• 采用分割采样,K折交叉验证和过量采样;使用可解释的AI来预测重要性.

主要成果:

• 随机森林模型表现最好,在开发过程中AUC为83.0%,在验证过程中为71.0%.
• 主要的LDD预测因素包括入学前腹的持续时间,修改后的Vesikari分数,年龄和吐.
• 该模型的校准很好,在统计学上没有显著性 (布赖尔得分=0.17,p=0.219).

结论:

• ML衍生算法可以有效地识别患有LDD风险较高的儿童.
• 将这些ML模型集成到临床实践中可以促进有针对性的管理和对有风险的儿童进行更密切的观察.
• 这种方法有可能改善临床决策和儿童腹患者的治疗结果.