使用大数据和机器学习预测脑下出血患者的死亡率:土耳其全国性研究
Taghi Khaniyev1,2,3, Efecan Cekic4, Neslihan Nisa Gecici4,5
1Department of Industrial Engineering, Faculty of Engineering, Bilkent University, 06800 Ankara, Türkiye.
Journal of clinical medicine
|February 26, 2025
概括
机器学习模型有效地预测使用电子健康记录的脑下下出血 (SAH) 患者的死亡率. 纳入入院后数据显著提高了对1个月和1年结果的预测准确性.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 副关节出血 (SAH) 带来了严重的发病率和死亡率挑战.
- 预测算法对于指导SAH管理中的临床决策至关重要.
研究的目的:
- 评估机器学习 (ML) 模型,用于预测SAH患者1个月和1年的死亡率.
- 评估纳入入院后数据对预测模型性能的影响.
主要方法:
- 从国家电子健康记录 (EHR) 系统 (2017-2022) 中对29,274名SAH患者进行了回顾性分析.
- 使用后勤回归 (LR),决策树 (DTs),随机森林 (RFs) 和人工神经网络 (ANN).
- 评估模型使用曲线下的面积 (AUC),平均精度和准确度,分析了102个入院前和后的变量.
主要成果:
- ANN和LR模型在1个月死亡率预测方面表现良好 (AUC为0.946和0.942).
- 在1年死亡率预测方面,ANN和LR模型也表现出强的表现 (AUC为0.941和0.927).
- 包括入院后的特征显著改善了1个月 (0.093) 和1年 (0.089) 死亡预测的AUC.
结论:
- 机器学习模型是有效的预测SAH患者的死亡率,使用来自EHR的大数据.
- 后勤回归模型提供了稳定性和可解释性,这对于临床应用至关重要.
- 入院后的数据整合大大提高了ML模型对SAH结果的预测能力.
