机器学习可以检测近期在密集心脏病关怀病房的娱乐性药物使用情况
Nathan El Bèze1, Kenza Hamzi1, Patrick Henry1
1Inserm MASCOT - UMRS 942, Department of Cardiology, University Hospital of Lariboisière, Université Paris-Cité, AP-HP, 75010 Paris, France; Multimodality Imaging Research for Analysis Core Laboratory: Artificial Intelligence (MIRACL.ai), Department of Data Science, Machine Learning and Artificial Intelligence in Health, University Hospital of Lariboisière, AP-HP, 75010 Paris, France.
机器学习准确地检测到心脏病患者的娱乐性药物使用,即使没有报告. 这有助于识别心脏病重症监护病房的风险人群.
科学领域:
- 心脏病学 心脏病学
- 数据科学数据科学数据科学
- 毒理学 毒理学 毒理学
背景情况:
- 娱乐性药物使用是急性心血管事件的重要危险因素.
- 系统的药物测试在密集心脏病治疗单位中不是标准,导致潜在的低检测.
- 机器学习 (ML) 提供了一种有希望的方法来改善娱乐性药物使用检测.
研究的目的:
- 评估ML模型的准确性,以确定密集心脏护理病房患者的娱乐性药物使用情况.
- 该模型利用临床,生物和心声回声数据进行检测.
- 在现实临床环境中研究ML的实用性.
主要方法:
- 这是一项前性研究,从2021年4月7日至22日,法国39个中心的1499名患者参与了该研究.
- 系统性尿路检测常见的娱乐性药物 (大麻,阿片类药物,可卡因,胺类药物,MDMA).
- 一个具有自动变量选择 (XGBoost) 和模型构建 (随机森林) 的ML框架,使用导出和验证队列.
主要成果:
- 11%的患者在娱乐性药物测试中呈阳性,只有57%的患者自我报告使用.
- 使用九个变量,表现最好的随机森林模型在衍生队列中实现了0.82的AUC.
- 该模型在验证队列中表现良好,AUC为0.76.
结论:
- 一个全面的ML模型在检测大量密集心脏护理病房人口的娱乐性药物使用方面表现良好.
- 该模型可以识别药物使用,即使患者没有报告它.
- 可解释的ML技术为临床变量和药物使用之间的联系提供了洞察力.
更多相关视频
10:17High-throughput and Comprehensive Drug Surveillance Using Multisegment Injection-Capillary Electrophoresis-Mass Spectrometry
Published on: April 23, 2019
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
