通过机器学习提高住院患者死亡率预测,在潜在的全球肝硬化患者队列中进行外部验证

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 肝硬化是一个重大的全球卫生挑战,住院率和死亡率很高.
• 现有的住院患者死亡率预测工具受到全球差异的限制,阻碍了及时的患者管理.
• 机器学习 (ML) 提供了一个潜在的解决方案,以提高肝硬化预后的准确性和可访问性.

研究的目的:

• 开发和评估用于预测肝硬化患者住院死亡率的机器学习模型.
• 将ML方法的性能与传统的物流回归进行比较.
• 评估ML模型在不同全球经济环境中的通用性.

主要方法:

• 利用了潜在的慢性肝病进化和事件和减偿 (CLEARED) 队列的注册,包括全球肝硬化住院患者.
• 使用录取日数据来训练和验证ML模型 (包括随机森林) 和后勤回归.
• 在美国退伍军人住院患者群体中进行了75/25分割的内部验证和外部验证,根据世界银行收入状况分析结果.

主要成果:

• 随机森林 (RF) 模型实现了0.815的最高曲线下面积 (AUC),超过了后勤回归 (AUC=0.774) 和LASSO (AUC=0.787).
• 俄罗斯联邦在所有收入水平上都表现出强的表现 (高收入:0.806,高中:0.867,低/低中:0.768).
• 在28670名美国退伍军人的外部验证证实了RF模型的有效性,其AUC为0.859.

结论:

• 与传统方法相比,在全球肝硬化队列上训练的随机森林分析显著提高了住院患者死亡率的预测.
• 在不同国家的收入水平上,ML模型的预测准确性保持一致.
• 在一个独特的美国退伍军人群体中成功的外部验证强调了该模型的广泛适用性.