通过机器学习模型对意大利急诊室队列中昏迷的短期结果预测的验证

科学领域:

• * 临床信息学 临床信息学
• * 医学人工智能 * 医学人工智能
• * 心血管疾病医学

背景情况:

• *机器学习 (ML) 算法有可能改善昏迷患者的不良结果预测.
• * 渐变增强 (GB) 和逻辑回归 (LR) 模型,利用加拿大风险评分 (CSRS) 预测器,已被应用来预测结局.
• * 对这些模型与较新的深度学习方法进行外部验证至关重要.

研究的目的:

• * 通过外部验证GB和LR模型来预测昏迷的不良结果.
• *将GB和LR模型的性能与新型深度学习 (TabPFN) 和大型语言模型 (TabLLM) 的性能进行比较.
• *在不同的临床环境中评估已建立模型的预测性能.

主要方法:

• *来自意大利6个急诊室 (2015-2017年) 的非低风险昏患者的回顾性验证队列.
• * 在经过验证的CSRS预测器上训练的GB和LR模型;TabPFN和TabLLM模型也经过验证.
• *性能指标包括曲线下的面积 (AUC),马修斯相关系数 (MCC) 和Brier分数 (BS).

主要成果:

• *这项研究包括257名患者 (平均年龄为71岁);13%的患者经历了30天的不良结果.
• * GB 模型表现最好 (AUC: 0.78,MCC: 0.36,BS: 0.42).
• * 在GB和TabPFN (p<0.01) 和TabLLM (p=0.01) 模型之间发现了显著的性能差异. GB略高于LR,但在外部队列中,两者都显示出预测能力降低.

结论:

• *渐变增强模型在预测不良昏迷结果方面表现优异,与该队列的深度学习模型相比.
• *使用CSRS预测器的既定模型 (GB,LR) 在具有更高事件率的外部队列中显示预测准确性降低.
• *需要进一步研究,以完善ML模型,在不同患者群体中对风险分层进行进一步研究.