相关实验视频
Updated: May 15, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.0K
开发和验证一个集体学习风险模型,用于腹部手术后的败血症
Xin Shu1, Yujie Li1, Yiziting Zhu1
1Department of Anesthesiology, Southwest Hospital, Third Military Medical University, Chongqing, China.
Archives of medical science : AMS
|April 7, 2025
概括
这项研究开发了一种机器学习模型,使用常规临床数据识别腹部手术后患败血症高风险的患者. 最好的模型实现了高精度,有助于早期毒症的检测和管理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 手术瘤学手术瘤学
背景情况:
- 在腹部手术后进行败血症查至关重要,但临床上有限.
- 使用常规数据开发准确的预测模型对于早期干预至关重要.
研究的目的:
- 开发和验证机器学习模型,用于腹部手术后高风险败血症查.
- 在模型开发和特征选择中利用常规的临床变量.
主要方法:
- 组合学习和常规算法用于模型拟合.
- 使用Boruta算法进行了特征选择.
- 用ROC AUC,精度和其他指标来评估模型性能.
主要成果:
- 一个集成k-Nearest Neighbor (KNN) 和Support Vector Machine (SVM) 的整体模型显示出最好的性能.
- 该模型在测试数据上达到0.892的ROC AUC,在验证数据上达到0.782.
- 确定的主要特征包括白蛋白,ASA评分,中性粒细胞-淋巴细胞比率,年龄和葡萄糖.
结论:
- 在腹部手术后开发了一种新的,可泛化模型,用于术前败血症风险查.
- 该模型利用具有代表性的培训队列和常规变量来获得临床实用性.
- 这种方法有助于早期识别高风险患者,从而有可能改善治疗结果.
