相关实验视频
Updated: May 29, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.0K
开发临床预后模型来预测移植后的移植存活率:统计和机器学习模型的比较
Getahun Mulugeta1, Temesgen Zewotir2, Awoke Seyoum Tegegne3
1Department of Statistics, Bahir Dar University, Bahir Dar, Ethiopia. gech.marr@gmail.com.
BMC medical informatics and decision making
|February 3, 2025
概括
预测移植成功是至关重要的. 与传统方法相比,机器学习,特别是随机梯度提升,在移植生存预测方面提供了更高的准确性.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 移植医学 移植医学
- 生物统计学 生物统计学
背景情况:
- 在末期病患者的移植中,移植失败是一个主要的挑战.
- 准确预测移植存活率对于识别高风险个体和改善患者的治疗结果至关重要.
- 这项研究旨在开发和比较统计和机器学习模型,以预测移植存活率.
研究的目的:
- 开发用于移植生存预测的预后模型.
- 为了比较各种统计和机器学习模型的性能.
- 确定移植存活的关键预测因素.
主要方法:
- 利用了278名移植患者的数据.
- 应用SMOTE重新抽样来解决类不平衡.
- 评估标准/处罚的考克斯模型,随机生存森林和随机梯度增强 (SGB).
主要成果:
- 中位数的移植存活期为33个月;移植失败的平均危险是0.0755.5.
- 随机梯度增强 (SGB) 模型显示出优异的歧视 (C指数=0.943) 和校准.
- 关键预测因素包括排斥发作,泌尿器官并发症,不坚持,BUN,运动和婚姻状况.
结论:
- 该SGB模型实现了对移植存活的最高预测性能.
- 里奇-考克斯模型提供了可比性能,并增强了可解释性.
- 这些发现支持将先进的模型整合起来,以改善移植患者的风险分层和个性化护理.
