一个基于机器学习的严重性分层工具,用于高海拔肺
Luobu Gesang1,2,3, Yangzong Suona4,5, Zhuoga Danzeng6,7
1High Altitude Medical Research Institute of Tibet Autonomous Region, 18 Linkuo North Road, Lhasa, 850000, China. KelsangNorbu@hotmail.com.
BMC medical informatics and decision making
|April 18, 2025
概括
确定高海拔肺 (HAPE) 严重性的关键预测因素至关重要. 随机森林模型准确地识别了严重的HAPE病例,有助于及时治疗和降低死亡率.
科学领域:
- 高度医学 高度医学
- 肺部生理学 肺部生理学
- 医疗保健中的机器学习
背景情况:
- 高海拔肺 (HAPE) 是一种危及生命的疾病.
- 迅速识别HAPE严重程度对于有效治疗和降低死亡率至关重要.
研究的目的:
- 为了确定高海拔肺水腫 (HAPE) 严重性的关键预测因素.
- 开发和评估用于HAPE严重程度预测的机器学习模型.
- 帮助临床医生早期识别严重受影响的HAPE患者.
主要方法:
- 分析了508名HAPE患者,其中53个变量.
- 使用了Multinomail逻辑回归,随机森林和决策树模型.
- 识别了肺部电流,唾液产量,心率和氧和度作为关键预测因素.
主要成果:
- 随机森林模型实现了最高的性能 (77.94%的准确性,严重病例的AUC为0.86).
- 肺部流动,唾液产生,心率和氧气和是重要的预测因素.
- 随机森林模型在所有HAPE严重程度上都表现出高的预测准确性.
结论:
- 开发了一种有价值的查工具来对HAPE严重程度进行分类.
- 随机森林模型有效地帮助识别严重的HAPE病例.
- 这种工具可以促进及时治疗,并改善HAPE的治疗方法.
