使用随机森林分类器预测患有胃肠道先天性异常的儿童的短期死亡率

科学领域:

• 儿科手术 儿科手术
• 医疗保健中的机器学习
• 全球卫生结果.

背景情况:

• 胃肠道先天性形对儿童构成重大风险.
• 识别高风险儿科患者的死亡率对于及时干预至关重要.

研究的目的:

• 开发一个预测模型来识别患有胃肠道先天性形的儿童,有30天死亡的高风险.
• 为了利用机器学习,在这个脆弱的儿科群体中改善死亡率预测.

主要方法:

• 利用了来自全球PaedSurg合作的数据,包括来自74个国家的3849名患者.
• 采用数据预处理技术,包括归算和类平衡 (超样本非幸存者,超样本幸存者).
• 训练了一个随机的森林分类器来预测死亡率.

主要成果:

• 随机森林模型在预测30天死亡率方面实现了88.84%的准确性.
• 在识别未幸存者时,观察到高精度 (84.13%) 和灵敏度 (89.98%).
• 关键预测因素包括并发症的诊断,术后抗生素的持续时间,需要腹腔营养/通风,ASA得分,入院体重和手术安全检查清单的使用.

结论:

• 随机森林分类是一种可行的方法,用于预测儿科胃肠道先天性形的短期死亡率.
• 这项研究是机器学习在这个特定的预测任务中的首次全球应用.
• 该模型确定了与死亡风险相关的关键临床,程序和社会人口因素.