探索中国肺癌患者的支持性护理需求,并通过机器学习模型进行预测
Zimeng Chen1, Sifan Qiu1, Chunmei Luo1
1The Seventh Clinical Medicine College of Guangzhou University of Chinese Medicine, Shenzhen, Guangdong, 518100, China.
概括
这项研究确定了影响住院肺癌患者支持性护理需求的因素. 机器学习模型,特别是随机森林,显示出预测这些需求的希望,帮助个性化护理规划.
科学领域:
- 在瘤学瘤学.
- 医疗保健服务研究 医疗服务研究
- 数据科学数据科学数据科学
背景情况:
- 肺癌患者往往需要大量的支持性护理.
- 了解影响这些需求的因素对于有效的患者管理至关重要.
- 预测建模可以增强个性化护理策略.
研究的目的:
- 探索中国住院肺癌患者的支持性护理需求.
- 确定影响这些需求的关键因素.
- 开发和评估用于预测支持性护理需求的机器学习模型.
主要方法:
- 一项对486名住院肺癌患者的横截面研究.
- 单变量和多变量分析以确定影响因素.
- 开发和比较六种机器学习模型 (逻辑回归,线性回归,k-NN,SVM,随机森林,自适应增强).
主要成果:
- 年龄,教育,职业,瘤阶段和收入显著影响支持性护理需求.
- 教育和收入是支持性护理需求得分的重要预测因素.
- 随机森林模型在预测总需求得分 (MAE 4.45) 和最高需求维度 (88.42%准确率,0.9061 ROC-AUC) 中表现最好.
结论:
- 主要的人口和临床因素影响肺癌患者的支持性护理需求.
- 机器学习模型,特别是随机森林,提供了有希望的预测能力.
- 模型可以作为个性化护理计划的基础,尽管交叉验证的限制需要考虑.
相关概念视频
01:21Cancer Survival Analysis
334
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
334
01:25Statistical Methods for Analyzing Epidemiological Data
336
Epidemiological data primarily involves information on specific populations' occurrence, distribution, and determinants of health and diseases. This data is crucial for understanding disease patterns and impacts, aiding public health decision-making and disease prevention strategies. The analysis of epidemiological data employs various statistical methods to interpret health-related data effectively. Here are some commonly used methods:
336