新的机器学习模型在胃肠道出血方面表现优于传统的风险评估工具
Eszter Boros1,2, József Pintér3, Roland Molontay3,4
1Institute for Translational Medicine, Medical School, University of Pécs, Pécs, Hungary.
Scientific reports
|February 21, 2025
概括
机器学习模型准确地预测了急性胃肠道出血 (GIB) 患者的住院死亡风险. XGBoost和CatBoost的表现优于传统的评分系统,改善了患者风险分层.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
- 胃肠病学 胃肠病学
背景情况:
- 准确识别患有急性胃肠道出血 (GIB) 的高风险患者对于及时干预至关重要.
- 现有的临床评分系统可能在预测GIB患者的住院死亡率方面存在局限性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测公开GIB.患者的住院死亡率.
- 将ML模型的性能与已建立的临床风险得分进行比较.
主要方法:
- 对一个前性的,多中心的匈牙利GIB注册数据集的分析,包括1,021名患者.
- 开发和验证XGBoost和CatBoost ML模型.
- 用五倍交叉验证和AUC分析将ML模型与格拉斯哥-布拉奇福德 (GBS),前内镜Rockall和ABC分数进行比较.
主要成果:
- 与GBS和Rockall分数相比,XGBoost和CatBoost模型在住院死亡率方面的预测性能优越.
- XGBoost和CatBoost的曲线下的面积 (AUC) 值分别为0.84和0.77,明显高于GBS (0.68) 和Rockall (0.62).
- 该ABC得分达到0.77的AUC,仍然低于ML模型.
结论:
- XGBoost和CatBoost ML模型在评估急性GIB患者的死亡风险方面提供了更高的准确性.
- 这些ML模型为风险分层提供了一个比传统的临床评分系统更有效的工具.
- 这些发现支持在GIB管理中整合基于ML的工具,以加强临床决策.
