开发和验证一种机器学习模型,以预测急性上部胃肠道出血患者的静血干预

科学领域:

• 胃肠病学 胃肠病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 急性上部胃肠道出血 (UGIB) 是一个严重的临床挑战,严重程度各不相同.
• 内镜干预对于高风险UGIB患者的血液静止至关重要.
• 预测干预需求的现有风险评分的准确性有限.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测急性UGIB患者内镜干预的必要性.
• 改善患者对内镜手术的选择,特别是在资源有限的环境中.

主要方法:

• 对前性收集的UGIB数据库 (2011-2020年) 的回顾性分析.
• 使用人口,临床和实验室数据开发和验证15个ML模型.
• 在80%-20%的列车测试分割上进行分层的5倍交叉验证和内部验证.

主要成果:

• 线性差异分析 (LDA) 模型在初始预测中实现了0.74的AUROC.
• 测试组的内部验证将AUROC提高到0.81.
• 该模型利用了18个功能,并作为一个Web应用程序部署.

结论:

• 开发的ML模型在识别急性UGIB患者需要内镜干预方面表现良好.
• 这个工具可以帮助初级保健医生优先考虑转诊并优化资源配置.
• 通过更具体的特征进行进一步的细化可能会提高预测准确性.