机器学习和变压器模型用于预测下肢骨折患者手术后肺炎风险
Yiqun Chen1,2, Mingxuan Ma1, Dandan Qu3
1Department of Respiratory and Critical Care Medicine, Affiliated Hospital of Nantong University, Medical School of Nantong University, Nantong, 226001, China.
Scientific reports
|July 2, 2025
概括
像XGBoost和Transformer这样的机器学习模型在下肢骨折手术后准确预测手术后的肺炎. 早期识别有助于预防这种常见的并发症,并改善患者的治疗结果.
科学领域:
- 整形外科 整形外科 整形外科
- 肺部病理学 肺部病理学
- 数据科学数据科学数据科学
背景情况:
- 手术后的肺炎是下肢骨折手术后的一个常见并发症.
- 它导致长时间住院和增加死亡率.
- 早期检测和预防对于患者的康复至关重要.
研究的目的:
- 确定用于预测下肢骨折患者手术后肺炎的临床指标.
- 评估机器学习和深度学习模型在预测肺炎风险方面的有效性.
主要方法:
- 对2016-2023年接受下肢骨折手术的患者进行了回顾性分析.
- 将患者分为病例 (肺炎) 和对照 (无肺炎) 组.
- 应用机器学习 (XGBoost) 和深度学习 (Transformer) 算法进行预测.
主要成果:
- 确定的主要预测因素包括年龄,性别,骨折类型,静脉血栓塞栓症 (VTE),高血压,慢性阻塞性肺病 (COPD),癌症,心房动,脑血管疾病,低albuminemia,自由脂肪酸,白蛋白,白蛋白与球蛋白比率,,纤维素,D-二次体,酒精,手术等级和C-反应蛋白.
- 在XGBoost中,AUC为0.866,F1得分为0.807.
- 变压器模型表现出卓越的性能,AUC为0.946和F1得分为0.889.
结论:
- XGBoost和变压器模型显示了在下肢骨折患者中预测术后肺炎的重大潜力.
- 这些模型可以帮助早期预防和治疗策略.
- 实施积极的健康管理可以降低术后肺炎的风险.
