开发一种基于机器学习的预测模型,用于对骨科患者进行静脉血栓塞栓症风险评估,并进行例行预防
Chaoyun Yuan1, Ruoyu Luo2,3, Jiaqi Li2
1General Surgery, Cancer Center, Department of Information Center, Zhejiang Provincial People's Hospital (Affiliated People's Hospital), Hangzhou Medical College, Hangzhou, Zhejiang, China.
机器学习模型准确地预测了骨科患者的静脉血栓栓塞 (VTE) 风险. 这些先进的工具优于传统方法,识别了改善预防策略的关键风险因素.
科学领域:
- 整形外科手术 整形外科手术
- 血管医学 血管医学
- 医疗信息学 医疗信息学
背景情况:
- 静脉血栓塞栓症 (VTE) 尽管采用标准预防措施,但对骨科患者构成显著的长期风险.
- 目前的VTE风险评估工具对高风险人群的预测准确性有局限性.
- 机器学习 (ML) 模型显示了增强VTE风险预测的前景.
研究的目的:
- 开发和验证使用临床特征来预测接受标准预防的骨科患者的VTE的ML模型.
- 将ML模型 (XGBoost,CatBoost) 的预测性能与传统的Caprini评分进行比较.
- 为了提高模型的解释性,并通过使用夏普利添加式解释 (SHAP) 识别关键的VTE风险因素.
主要方法:
- 在XGBoost和CatBoost模型开发中使用了147个临床变量.
- 进行了内部和外部验证,以评估模型的通用性和有效性.
- 使用SHAP值来进行特征重要性分析和理解预测性贡献.
主要成果:
- XGBoost和CatBoost实现了高的内部AUC (分别为0.941和0.937) 和外部验证AUC (0.888和0.902).
- 与卡普里尼得分相比,ML模型表现出优异的性能,提供平衡的灵敏度和特异性.
- SHAP分析成功地确定了重要的VTE风险因素及其在模型中的相关性.
结论:
- 结合临床特征的ML模型显著提高了骨科患者的VTE风险预测准确度.
- 这些模型提供了一个比传统方法更精确的风险分层工具.
- 这些发现强调了ML在优化骨科护理中VTE预防策略方面的潜力.
更多相关视频
06:45Point-Of-Care Ultrasound Screening for Proximal Lower Extremity Deep Venous Thrombosis
Published on: February 10, 2023
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Venous Thrombosis III: Interprofessional Care
Venous Thrombosis IV: Nursing Management
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Venous Thrombosis I: Introduction
