一种堆叠集团机器学习模型,用于预测术后轴痛强度,患有退行性宫骨髓病的患者
Xu Chu1, Jiajun Song2, Jiandong Wang3
1Department of Shoulder and Elbow of Sports Medicine, Honghui Hospital, Xi'an Jiaotong University, Xi'an, 710054, China.
Scientific reports
|March 23, 2025
概括
机器学习模型可以有效地预测退行性宫骨髓病患者的术后轴痛强度. 综合方法显著提高了预测准确性,有助于临床管理和资源分配.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 临床决策支持 临床决策支持
背景情况:
- 机器学习 (ML) 对于预测疾病并发症至关重要.
- 退行性宫骨髓病 (DCM) 可以导致显著的术后轴痛 (PAP).
- 准确预测PAP强度对于有效的患者管理至关重要.
研究的目的:
- 开发和评估基于ML的分类器,用于预测DCM患者的PAP强度.
- 采用堆叠组合策略来提高预测性能.
- 评估这些预测模型的临床实用性.
主要方法:
- 开发了91个初始ML分类器用于PAP强度预测.
- 根据AUC.SVM选择了前三个分类器 (嵌入LR-RF,嵌入RF-MLP,RFE-SVM)
- 通过使用13 ML算法将这些集成到一个堆叠组合模型中.
- 使用曲线下面面积 (AUC) 和决策曲线分析评估性能.
主要成果:
- 排名前三的个人分类器实现了0.81,0.81和0.80.8的AUC.
- SVM组合分类器表现出卓越的性能,AUC为0.91.
- 与个人分类器相比,集体模型显示出更高的预测准确性.
- 决策曲线分析证实了组合方法的临床益处.
结论:
- 堆叠组合ML模型可以准确预测DCM患者的PAP强度.
- 开发的集体分类器为临床医生提供了有价值的工具.
- 这些模型可以优化DCM管理中的医疗资源利用.
