机器学习建模用于预测患有动脉瘤下关节出血的住院患者的结果
Mohamed Sobhi Jabal1,2, Waseem Wahood3, Jad Zreik4
1Department of Radiology, Mayo Clinic, Rochester, MN, USA.
概括
机器学习模型准确地预测了下大脑关节下出血 (SAH) 后的糟糕结果. 关键预测因素包括年龄,并发症和保险状况,有助于SAH患者早期风险分层.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 动脉瘤破裂后的脑下下出血 (SAH) 携带高死亡率和发病率.
- 准确预测短期结果对于患者管理和资源分配至关重要.
研究的目的:
- 开发可解释的机器学习模型,用于预测SAH患者的短期不良结果.
- 确定影响SAH预后的关键临床,社会经济和系统级因素.
主要方法:
- 利用国家住院样本 (NIS) 数据库 (2008-2018) 用于接受动脉瘤治疗的SAH患者.
- 预处理的人口统计,并发病和医院数据,将功能空间减少到基本变量.
- 训练,交叉验证和测试机器学习模型,使用Shapley添加式解释 (SHAP) 来解释模型.
主要成果:
- 分析了18,149个入院病例;52.9%的人经历了糟糕的结果.
- 一个多层感知子模型实现了最高的性能,AUC为0.80.
- 确定了最重要的预测因素:年龄,神经并发症,,医疗保险,吸烟状态,Elixhauser负担,液体电解质障碍,体重减轻,心律失常和心力衰竭.
结论:
- 开发了可解释的ML工具,能够很准确地预测全国的SAH预后.
- 突出显著的临床,社会经济和系统层面的驱动力导致短期结果不佳.
- 结果支持使用可解释的ML用于早期风险分层和在SAH护理中的资源配置.
