在不平衡的样本中研究外科手术期间的压力损伤和影响它们的因素,使用合成少数人过量采样技术

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 患者安全 患者安全

背景情况:

• 术后压力损伤 (PIs) 是一个重要的医疗保健问题,导致延长住院时间和增加成本.
• 传统的风险评估尺度往往缺乏准确预测PI所需的精度.
• 医疗保健研究中的不平衡数据集对开发有效的预测模型构成挑战.

研究的目的:

• 评估机器学习 (ML) 模型与合成少数人过量采样技术 (SMOTE) 以及其变体相结合的有效性,用于预测外科手术期间的压力损伤 (PI).
• 为了应对PI预测中不平衡数据集的挑战.
• 通过数据平衡技术增强的各种ML算法的性能进行比较.

主要方法:

• 利用了2972名患者的数据集,包括158名PI患者,来自第三级护理医院.
• 应用了七个ML算法:SVM,LR,RF,XGBoost,ET,KNN和DT. 这些算法包括:
• 集成SMOTE及其变体 (SMOTE+ENN,边界-SMOTE,ADASYN,GAN) 以平衡数据集并提高模型性能.

主要成果:

• SMOTE及其变体显著提高了ML模型的性能,XGBoost的AUC为0.996 (与原始数据上的0.800相比).
• 斯莫特+恩恩和边界-斯莫特表现出了提高识别少数群体 (PI) 的能力.
• 外部验证证实XGBoost,RF和ET是最稳定和最准确的模型,XGBoost的AUC为0.977.

结论:

• 将SMOTE与ML算法集成为预测外科手术期间PI的数据不平衡提供了有效的解决方案.
• XGBoost,随机森林和额外树木显示出准确PI预测的巨大潜力.
• 未来的研究应该专注于改进SMOTE技术和验证模型的大型多中心数据集,以提高概括性,特别是对于低发病率的疾病.