机器学习模型的验证,用于预测直接口服抗凝剂患者的胃肠道出血

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 药理学 药理学是指药理学的学科.

背景情况:

• 直接口服抗凝剂 (DOAC) 广泛使用,但携带胃肠道出血 (GIB) 的风险.
• 准确预测GIB对于患者的安全和有效的抗凝管理至关重要.
• 现有的风险评分在预测DOAC用户的GIB方面存在局限性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于使用DOACs预测患者的GIB.
• 将ML模型的性能与已建立的临床风险得分进行比较.

主要方法:

• 对4494名患者进行了回顾性分析,这些患者被处方DOAC.
• 开发和验证三种ML模型 (GBM,XGBoost,GLM) 用于12个月和24个月的GIB预测.
• 将ML模型性能 (AUC,特异性) 与HAS-BLED,ATRIA,VTE-BLEED和ORBIT分数进行比较.

主要成果:

• XGBoost表现出卓越的预测性能,在培训和验证队列中达到高AUC (例如,在24个月内达到0.905).
• 机器学习模型,特别是XGBoost,在预测GIB方面显著超过了像ORBIT这样的传统风险评分.
• 与传统评分相比,ML模型在100%的灵敏度下实现了显著更高的特异性.

结论:

• 机器学习模型,特别是XGBoost,显示了在DOAC用户中改善GIB预测的潜力.
• 虽然表现优于传统的分数,但当前的ML模型性能需要进一步提高.
• 需要进行额外的研究,以优化ML模型的临床应用,以预测DOAC相关的GIB.