基于整体机器学习模型的急性死性胰腺炎患者感染胰腺亡的预测

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 胃肠病学 胃肠病学

背景情况:

• 急性瘤性胰腺炎 (ANP) 带来了重大的临床挑战.
• 区分感染性胰腺亡 (IPN) 和无菌性胰腺亡 (SPN) 对于有效的管理至关重要.
• 早期和准确的IPN预测对于改善患者预后至关重要.

研究的目的:

• 评估整体机器学习 (EL) 模型在ANP患者中识别IPN的预测性能.
• 将EL模型的有效性与传统的物流回归 (LR) 模型进行比较.
• 评估EL模型在预测IPN方面的稳定性和临床实用性.

主要方法:

• 对1073名ANP患者进行了回顾性分析.
• 通过整合LASSO回归,随机森林和支持向量机 (SVM) 算法,开发了一个EL模型.
• 该模型在单独的数据集上进行了训练和验证,并对78名额外的患者进行了外部验证. 为了进行概率评估,使用了法根名图.

主要成果:

• 该EL模型实现了高预测准确性 (92.6%的培训,91.5%的验证).
• 与LR模型 (0.744培训,0.742验证) 相比,它显示出明显更高的AUC值 (0.916培训,0.919验证).
• 该EL模型在不同的IPN发病时间表和外部验证中显示出一致的性能 (AUC:0.883).

结论:

• 与LR模型相比,EL模型对ANP患者的IPN具有更高的预测效率.
• 它的强大性能和预测IPN在不同阶段的能力提供了显著的临床益处.
• 该EL模型有助于及时进行治疗修改,有可能改善ANP管理中的患者结果.