利用机器学习算法预测在创伤后脊髓损伤后一年内重新入院的情况
Salma Aly1, Yuying Chen2, Abdulaziz Ahmed3
1Department of Family and Community Medicine, Heersink School of Medicine, University of Alabama at Birmingham, Birmingham, AL, USA. smaly@uabmc.edu.
Spinal cord
|February 15, 2025
概括
机器学习模型可以预测创伤性脊髓损伤 (TSCI) 后的再住院. 功能独立性和ASIA分数是关键预测指标,压力损伤表明长时间停留.
科学领域:
- 脊髓损伤研究 脊髓损伤研究
- 医疗保健中的机器学习
- 康复医学 康复医学 康复医学
背景情况:
- 在创伤性脊髓损伤 (TSCI) 后,再住院是一个重大问题.
- 预测再住院和长时间住院对于优化患者护理和资源配置至关重要.
- 识别关键预测因素可以帮助早期风险分层和有针对性的干预措施.
研究的目的:
- 开发机器学习 (ML) 模型,用于预测TSCI后1年的再住院.
- 通过使用初始康复数据,确定再住院和长期住院的主要预测因素.
- 预测再入院患者的长时间住院时间.
主要方法:
- 这是一项回顾性队列研究,利用来自国家脊髓损伤模型系统数据库的数据.
- 机器学习模型 (随机森林,自适应提升) 被开发用于预测再住院和长时间停留.
- 变量包括社会人口统计学因素,临床特征,并发病症和损伤特定指标.
主要成果:
- 随机森林和自适应提升模型有效地预测了再住院和长时间停留,分别.
- 重新住院的关键预测因素包括功能独立,ASIA分数,年龄,康复几天和BMI.
- 压力损伤是长时间住院的重要预测因素.
结论:
- 功能独立度量 (FIM) 和ASIA分数是TSCI后再住院和长期住院的关键预测指标.
- 这些发现有助于临床医生评估患者的风险并实施有针对性的预防策略.
- 专注于压力损伤预防可以减少长时间的再入院并改善患者的治疗结果.
