在急性上部胃肠道出血中用于输血决策的多任务机器学习:一种具有临床验证的新型组合方法
Qiongjie Li1, Guolin Chen2, Qun Li3
1Department of Infectious Diseases, First Hospital of Shanxi Medical University, Taiyuan, China.
Journal of translational medicine
|September 2, 2025
概括
这项研究引入了一种多任务学习模型,可以准确预测急性上部胃肠道出血 (AUGIB) 患者的输血需求和体积,优于目前的方法,可以做出更好的临床决策.
科学领域:
- 紧急医疗
- 临床数据科学
- 医疗保健中的人工智能
背景情况:
- 急性上部胃肠道出血 (AUGIB) 是一个重要的临床挑战,需要及时准确的输血管理.
- 对于AUGIB的输血决定,现有的评分系统往往缺乏准确性,导致患者的护理不足.
- 多任务学习 (MTL) 是一种有前途的方法,可以在临床环境中同时处理多个相关的预测任务.
研究的目的:
- 开发和验证一种新的多任务学习 (MTL) 模型,用于预测AUGIB患者的输血必要性.
- 在AUGIB中估计输血所需的适当类型和体积.
- 加强临床决策并支持紧急护理中的精确输血策略.
主要方法:
- 从1256名AUGIB急诊患者获得临床数据,并对209名患者进行外部验证.
- 实施一个MTL模型,包括过量采样和数据不平衡的分配纠正.
- 使用软投票组合 (CatBoost,XGBoost) 进行分类和堆叠回归器 (随机森林,XGBoost) 进行回归,并优化了动态损失函数.
主要成果:
- 对于输血预测,MTL模型的AUC为0.965,比格拉斯哥-布拉奇福德得分 (GBS) 提高了20.5%.
- 与其他机器学习模型相比,双阶段堆叠回归器显著降低了输血类型和体积的预测误差.
- 外部验证显示AUC为0. 860的概括性能有利.
结论:
- 开发的MTL模型是稳固的,可解释的,并且优于AUGIB中现有的输血决策方法.
- 通过层次特征选择和动态损失分配来共同优化分类和回归任务,使精确输血成为可能.
- 该模型显示了在紧急和重症监护环境中广泛应用的巨大潜力.
