用机器学习技术对第二阶段压力损伤结果进行纵向调查,以确定相关因素

科学领域:

• 生物医学工程 生物医学工程
• 临床医学 临床医学
• 数据科学数据科学数据科学

背景情况:

• 压力损伤 (PIs) 是一个重要的全球健康问题,具有重大社会经济影响.
• 虽然许多因素影响PI,但那些特别导致疾病恶化的因素仍然不完全理解.
• 预测建模对于识别有风险的个体和实施有针对性的干预措施至关重要.

研究的目的:

• 采用机器学习技术来识别与压力损伤恶化的强烈相关的变量.
• 分析患者数据以发现导致PI恶化的特定风险因素.
• 开发PI恶化的预测模型.

主要方法:

• 从2018年5月到2021年6月,一项观察性研究涉及71名患有第二阶段PI的患者.
• 患者被分为一个恶化的组 (A组) 和一个治愈的组 (B组).
• 通过分析24个因素,采用超整体方法的随机森林来通过平均下降准确度来确定变量重要性.

主要成果:

• 机器学习分析发现血清白蛋白,布拉登评分,血红蛋白,伤口大小,血清血尿素,体重指数,血清蛋白质和血清肌素与PI恶化高度相关.
• 相反,末期脏病,性别和心肌梗塞与PI恶化相关性较小.
• A组包括14名患者,而B组包括57名患者.

结论:

• 开发的PI预测模型显示了作为PI预防的有价值工具的潜力.
• 这些确定的因素可以为制定有针对性的策略提供信息,以减轻压力损伤恶化的风险.
• 进一步的研究可以完善预测准确性和临床适用性.