机器学习模型预测化疗期间的入院情况,使用纵向症状严重性报告和患者报告的结果措施
Zuzanna Wójcik1,2, Vania Dimitrova2, Lorraine Warrington3
1UKRI Centre for Doctoral Training in Artificial Intelligence for Medical Diagnosis and Care, University of Leeds, Leeds, UK.
Studies in health technology and informatics
|May 17, 2025
概括
使用患者报告的症状数据的机器学习模型可以预测化疗相关的住院病例. 纳入患者报告的结果措施 (PROM) 提高了模型准确性,以获得更好的患者护理.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 化疗毒性经常导致急性住院,压迫医疗保健资源,影响患者的生活质量.
- 现有的紧急住院预测模型往往忽略了关键的患者报告数据.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以使用纵向症状数据预测化疗期间入院风险.
- 评估患者报告结果措施 (PROMs) 对这些ML模型的性能的影响.
- 为了比较带有和没有PROMs的模型的预测准确度.
主要方法:
- 使用了长度收集的患者症状严重程度报告.
- 训练和测试了四种机器学习模型,包括随机森林和极端梯度提升.
- 评估了模型的性能,以预测整体住院和短期 (14天) 住院风险.
- 在与PROMs开发和不开发的模型之间进行了比较分析.
主要成果:
- 随机森林和极端梯度提升模型表现出了医院入院预测的良好表现 (平衡的准确性,回忆,特异性>0.9).
- 发现短期 (14天) 住院的风险预测准确性很差.
- 包含PROM显著改善了机器学习模型的整体性能.
结论:
- 对症状严重程度报告和PROM的纵向收集和分析对于了解化疗毒性至关重要.
- 这些数据驱动的洞察力可以增强紧急入院的预测,为临床决策和患者管理提供信息.
- 将PROM集成到ML模型中提供了一种有前途的方法,可以主动识别有化学疗法相关住院风险的患者.
