基于堆叠概括的机器学习模型的开发和验证,以预测急性心肌梗塞患者的心理社会不适应
Yan-Feng Wang1, Xiao-Han Li2, Xin-Yi Zhou1
1School of Nursing, Jinan University, Guangdong, 510632, China.
BMC psychiatry
|February 19, 2025
概括
一个新的机器学习模型,LDS-R,有效地识别了急性心肌梗塞 (AMI) 后心理社会不适应的高风险患者. 这种工具有助于早期干预,以改善患者的康复.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 心理学 心理学 心理学
背景情况:
- 心理社会不适应严重影响急性心肌梗塞 (AMI) 患者的康复.
- 早期识别有风险的个体对于有针对性的干预至关重要.
- 机器学习为心血管患者护理中的预测建模提供了潜力.
研究的目的:
- 确定与AMI患者心理社会不适应相关的关键因素.
- 开发和验证用于预测心理社会不适应的机器学习模型.
- 为了利用堆叠通用化用于集合预测模型.
主要方法:
- 从两个三级医院招募了734名年轻和中年AMI患者.
- 收集的社会人口统计数据,压力,进步的恐惧和社会支持数据.
- 使用心理社会适应疾病量表来评估出院后一个月的心理社会适应.
- 训练了6个机器学习模型,并使用堆叠通用化将它们组合起来.
- 采用了夏普利添加式解释 (SHAP) 来确定关键预测因素及其贡献.
主要成果:
- 心理社会不适应的发病率为59.2% (中心I) 和58.3% (中心II) 离院一个月后.
- 确定了八个关键预测因素:就业状况,运动习惯,糖尿病,血管病变,胸部症状,感知压力,恐惧进展和社会支持.
- 堆叠的LDS-R模型显示出强大的外部验证性能 (精度=0.834,AUC=0.909).
结论:
- "LDS-R模型"是一个实用的工具,用于在出院前识别患有心理社会不适应高风险的患者.
- 确定影响因素可以指导AMI幸存者的未来心理社会干预措施的发展.
