使用机器学习改善手术部位感染预测:解决高度不平衡数据的挑战
Salha Al-Ahmari1,2, Farrukh Nadeem1
1Department of Information Systems, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|February 26, 2025
概括
机器学习模型有效地预测手术部位感染 (SSI). 随机森林与SMOTE重新采样实现了最高的准确性,为临床风险评估提供了一个有前途的工具,并改善了患者的治疗结果.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 医学机器学习 医学机器学习
- 临床数据科学 临床数据科学
背景情况:
- 手术部位感染 (SSI) 是重入医院和全球医疗保健成本增加的主要原因.
- 机器学习 (ML) 显示出预测SSI的前景,但阶级失衡仍然是一个重大挑战.
- 准确预测SSI对于减轻患者伤害和优化资源配置至关重要.
研究的目的:
- 评估和增强ML模型对SSI的预测能力.
- 评估特征选择,重新采样技术和超参数优化对SSI预测准确性的影响.
- 确定最佳的ML策略来处理SSI监控中不平衡的数据集.
主要方法:
- 利用了来自沙特阿拉伯医院的64,793名手术患者的数据集,其中1632人患有SSI.
- 测试了七个ML算法:决策树,高斯天真贝叶斯,支持向量机,物流回归,随机森林,随机梯度增强和K-最近邻居.
- 采用特征选择,重新采样技术 (包括SMOTE和IHT) 和网格搜索交叉验证以进行超参数优化.
主要成果:
- 随机森林 (RF) 以0.72.7的马修斯相关系数 (MCC) 显示了最高的表现.
- 合成少数群体过量采样技术 (SMOTE) 一般改善了模型性能,除了后勤回归和高斯的天真贝叶斯.
- 实例硬度值 (IHT) 提供了一个计算效率高的低采样替代方案,尽管有潜在的性能权衡.
结论:
- ML模型是评估SSI风险的有效工具,需要进一步的临床研究.
- 先进的ML技术和强大的验证,包括MCC,即使在不平衡的数据中,也提供可靠的SSI预测.
- 优化的ML方法可以显著提高SSI风险预测的准确性和可靠性,从而改善患者的治疗结果.
