机器学习用于预测与急性中毒相关的医疗结果
Omid Mehrpour1, Varun Vohra2, Samaneh Nakhaee3
1Michigan Poison & Drug Information Center, Wayne State University School of Medicine, Detroit, MI, USA. Omid.mehrpour@yahoo.com.au.
Scientific reports
|April 25, 2025
概括
机器学习准确地预测了急性毒性结果. 随机森林模型在识别严重和轻微病例方面取得了高准确性,有助于临床决策.
科学领域:
- 医疗信息学医学信息学
- 毒理学 毒理学 毒理学
- 机器学习在医疗保健中的应用
背景情况:
- 人工智能和机器学习在预测医疗结果方面表现有希望.
- 急性毒性对健康构成重大风险,需要准确预测结果.
研究的目的:
- 评估随机森林算法的有效性,以预测急性毒性的医疗结果.
- 用既定指标评估模型的预测性能.
主要方法:
- 从国家毒素数据系统 (NPDS) (2014-2018) 中分析了2,760例急性过量用药病例.
- 开发和验证一个随机森林模型,以预测严重的 (重大影响,死亡) 和轻微的医疗结果.
- 使用精度,回忆 (灵敏度) 和F1得分的性能评估;SHapley添加式扩展 (SHAP) 以特征的重要性.
主要成果:
- 随机森林模型实现了高准确性 (99%的培训,98%的验证,98%的测试) 和F1分数.
- 预测重要结果 (100%准确率,96%灵敏度) 和轻微结果 (96%准确率,100%灵敏度) 的特殊性能.
- 由SHAP确定的关键预测因素包括昏昏欲睡/,年龄,动力不良,腹痛和电解质异常.
结论:
- 随机森林算法在预测急性中毒的医疗结果方面表现出高准确度 (98%) 和灵敏度.
- 该模型有效地区分显著和次要结果,提供潜在的临床实用性.
- 建议进行进一步的研究以验证这些预测能力.


