使用机器学习方法开发和验证高血糖危机患者住院死亡率预测模型
Rui He1, Kebiao Zhang2, Hong Li3
1Department of Cardiothoracic Surgery, The First Affiliated Hospital of Chongqing Medical University, Chongqing, 400016, China.
BMC endocrine disorders
|March 27, 2025
概括
机器学习模型准确地预测高血糖危机患者的住院死亡率. 递归分区和回归树 (RPART) 模型表现最好,识别了改善患者结果的关键风险因素.
科学领域:
- 医疗信息学 医疗信息学
- 临床研究 临床研究
- 数据科学数据科学数据科学
背景情况:
- 高血糖危机是一种严重的糖尿病并发症,死亡率高.
- 由于高血糖危机而急诊的急诊提供了持续的临床挑战.
研究的目的:
- 开发和验证机器学习模型,用于预测高血糖危机患者的住院死亡率.
- 将各种机器学习算法的性能与物流回归进行比较.
主要方法:
- 一项多中心的回顾性研究,涉及1668名患有高血糖危机的患者.
- 使用了七个机器学习算法 (SVM,RF,RPART,XGBoost,MARS,NNET,AdaBoost) 和物流回归.
- 数据分为培训 (80%) 和验证 (20%) 集,并进行十倍交叉验证.
主要成果:
- 住院死亡率为7.3%.
- 除MARS外,所有模型都显示出良好的预测能力 (AUC > 0.9).
- RPART,RF和SVM模型实现了最高的性能;RPART是最佳的 (AUC为0.970).
- 确定了关键预测因素:机械通风,年龄,查尔森并发症指数,血气指数,胰岛素剂量和液体摄入量.
结论:
- 机器学习算法,特别是RPART,在高血糖危机中有效预测住院死亡率.
- 这些模型可以帮助临床决策,以便早期识别高风险患者.
- 通过早期风险分层,可以改善高血糖危机患者的预后.
