构建和验证基于机器学习的诺莫格拉姆模型,用于预测猫症患者肺炎风险:一项追溯观察性研究
Yi-Chao Wang1, Qian He1, Yue-Jing Wu1
1Affiliated Mental Health Center & Hangzhou Seventh People's Hospital, Zhejiang University School of Medicine, Hangzhou, Zhejiang, China.
Frontiers in psychiatry
|March 31, 2025
概括
一个新的Nomogram模型预测了使用年龄,克洛扎,透光剂,拒绝摄入和性灵活性的病人的肺炎风险. 这种工具有助于早期干预住院的白色炎患者,这些患者有患肺炎的风险.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测模型临床预测模型
- 精神病学是一个精神病学.
背景情况:
- 肺炎是白色炎患者常见的并发症,使治疗复杂化并增加患病率.
- 预测catatonia患者肺炎风险对于及时干预和改善结果至关重要.
- 现有的预测工具对于肺炎在catatonia患者是有限的.
研究的目的:
- 开发和验证一个Nomogram模型,用于预测住院白内障患者肺炎的风险.
- 为了确定关键的入院前临床特征与肺炎的发展相关的catatonia.
- 提供一个工具,用于早期风险分层和个性化管理catatonia患者.
主要方法:
- 追溯观察性研究156个catatonia患者.
- 选择特征的 LASSO 算法,然后对七个机器学习模型 (DT, LR, NB, RF, KNN, GBM, SVM) 进行培训和评估.
- 使用关键预测因素和通过ROC曲线,校准曲线,DCA和启动程序验证Nomogram模型构建.
主要成果:
- 梯度增强机 (GBM) 模型表现出最高的性能 (AUC = 0.954).
- 使用五个关键变量开发了一个Nomogram模型:年龄,克洛扎,透光,摄入拒绝和性灵活性.
- 最终的Nomogram模型显示出良好的分辨率 (AUC = 0.803) 和校准,内部验证稳定 (AUC = 0.814).
结论:
- 一个强大的Nomogram模型已经开发出来,用于预测catatonia患者的肺炎风险.
- 该模型利用了随时可用的入院前数据,提高了其临床适用性.
- 这种预测工具可以显著帮助临床医生管理白色炎患者和预防肺炎.