基于机器学习的生存模型用于预测老年关节骨折患者的再住院治疗:一项回顾性队列研究
Juhan Oh1, Minah Park2,3, Yonghan Cha4
1Eulji University School of Medicine, Daejeon, Republic of Korea.
BMC musculoskeletal disorders
|May 9, 2025
概括
机器学习模型可以预测关节骨折后的再住院情况. 渐变增强显示了最高的准确性,特征选择显著改善了一些模型,以获得更好的患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 生存分析的分析.
背景情况:
- 部骨折对健康构成重大负担,往往导致重新住院治疗.
- 预测模型对于优化患者管理和降低医疗保健成本至关重要.
研究的目的:
- 评估机器学习生存模型,以预测关节骨折后再住院风险.
- 确定重新住院的关键预测因素,以告知临床决策.
主要方法:
- 这是一项对718名关节骨折患者的回顾性队列研究.
- 开发和比较Cox比例危险 (CoxPH),随机生存森林 (RSF),梯度增强 (GB) 和支持矢量机器 (SVM) 模型.
- 使用一致性指数 (c-index) 和曲线下的面积 (AUC) 进行性能评估;特征重要性分析.
主要成果:
- 梯度增强 (GB) 模型实现了最高的AUC (0.868).
- 关键预测因素包括股骨部T-score,年龄,BMI,手术时间,骨折类型和水平.
- 特性选择提高了RSF和CoxPH模型的c指数,但降低了GB和SVM的c指数.
结论:
- 选择特征选择策略显著影响预测模型的性能.
- 全面的变量选择和严格的模型评估对于准确的再住院预测至关重要.
关键词:
考克斯的比例危险性功能重要性 功能重要性梯度增强可以提高梯度.部骨折 部骨折 部骨折机器学习 机器学习预测建模的预测建模.随机生存森林是随机生存的森林.重新住院治疗 住院治疗支持矢量机器的支持矢量机器.对生存分析的分析.更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
