评估机器学习模型在预测重症监护病房出院的神经外科患者进行骨切割:一个大数据分析

科学领域:

• 神经外科 神经外科
• 密集护理医学 密集护理医学
• 机器学习 机器学习

背景情况:

• 预测神经外科病人的重症监护室 (ICU) 出院对于资源管理和患者的结果至关重要.
• 开发准确的预测模型可以优化床位分配并降低医疗保健成本.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测在24小时内从重症监护室出院的头骨切除术患者.
• 在这个预测任务中评估各种ML模型的性能.

主要方法:

• 利用了来自MIMIC数据集的2,742名切割患者的数据.
• 预处理的人口,临床,实验室和放射学数据,将文本临床笔记转换为数值尺度.
• 训练并评估了四种ML模型:逻辑回归,决策树,随机森林和神经网络,使用AUC,AP,准确性和F1分数进行评估.

主要成果:

• 随机森林实现了最高的性能 (AUC 0.831),紧随其后的是神经网络 (AUC 0.824).
• 通过SHAP分析确定的关键预测因素包括格拉斯哥昏迷尺度,呼吸系统参数,内压力,动脉pH值和里士满兴奋镇静尺度.
• 后勤回归提供了很好的准确性 (0.829) 的解释性,而决策树显示了最低的性能.

结论:

• 随机森林和神经网络对于预测神经外科患者的ICU出院有效.
• 临床数据的数值转换可以提高模型的性能.
• 该研究提供了一个使用多种患者数据进行预测建模的框架,SHAP分析提高了模型透明度.