尿道炎患者的显著不良预后事件:基于机器学习的模型开发和验证研究
Yiqu Wei1,2, Wanqing Xu3, Shuo Yang4
1Department of Critical Care Medicine, The First Affiliated Hospital of Dalian Medical University, Dalian, China.
Frontiers in cellular and infection microbiology
|August 27, 2025
概括
机器学习模型显示出严重性败血症的预后能力. 使用9个关键变量,XGBoost模型实现了高准确度和AUC,有助于个性化治疗策略.
科学领域:
- 医疗信息学
- 在医疗保健中的机器学习
- 危急护理医学
背景情况:
- 尿症是一种败血症亚型,发病率上升,死亡率高.
- 准确的预后对于尿道炎患者的有效治疗至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测尿道炎患者的预后.
- 确定影响尿路炎症结果的关键预后因素.
主要方法:
- 使用MIMIC- IV数据库 (v3. 1) 对1389名泌尿失禁患者进行了研究,分为培训/验证队列 (7:3).
- 使用ML算法 (RF,Lasso,Boruta,XGBoost) 进行变量选择,确定9个最佳预测因素.
- 使用精度,AUC,灵敏度,特异性,MCC和F1得分进行模型性能评估,并使用SHAP进行解释.
主要成果:
- XGBoost模型表现出卓越的性能,准确度为0. 818和AUC为0. 904.
- 内部验证显示了强烈的结果:准确度为0. 797,AUC为0. 869,敏感度为0. 797,特异性为0. 752,MCC为0. 597,F1得分为0. 791.
- SHAP分析为XGBoost模型提供了总体解释,突出了关键的预后因素.
结论:
- 机床模型,特别是XGBoost,对尿道炎具有显著的预后能力.
- 可解释的ML (SHAP) 便于临床理解和个性化治疗计划.
- 建议在多种人群中进行外部验证以实现概括性.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
7.0K
