开发一种可解释的机器学习模型,用于预测临床环境中与设备相关的压力损伤

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 患者安全 患者安全

背景情况:

• 与设备相关的压力损伤 (DRPI) 是一个重要的患者安全问题.
• 早期识别高风险患者对于有效预防至关重要.
• 人工智能的进步为改进DRPI风险预测提供了机会.

研究的目的:

• 开发一个可解释的人工智能 (AI) 模型来预测DRPI.
• 使用SHAP (夏普利添加式解释) 来实现模型透明度和特征重要性见解.
• 确定导致DRPI风险的关键因素.

主要方法:

• 分析了675名患者 (225名DRPI,450名非DRPI) 的队列.
• 使用Python开发了六个机器学习模型 (XGBoost,RF,DT,LR,SVM,KNN).
• 用AUC,特异性,精度和灵敏度来评估模型性能; 用SHAP和UMAP进行解释.

主要成果:

• 该XGBoost模型实现了最高的性能,其AUC为0.964.
• SHAP分析确定了停留时间,仪器类型,紧急入院,仪器材料和使用时间作为主要预测因素.
• 可解释的人工智能模型提供了对DRPI风险因素的见解.

结论:

• 机器学习模型可以准确预测患者的DRPI发展.
• 该研究为临床医生提供了一个框架,以识别高风险患者.
• 研究结果支持针对DRPI制定有针对性的预防策略和个性化干预措施.