机器学习模型在糖尿病足中的性能评估:回顾性队列研究

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 临床决策支持系统 临床决策支持系统

背景情况:

• 糖尿病足 (DFU) 是一个重要的多因素问题,具有严重的后果.
• 机器学习 (ML) 提供了识别复杂疾病模式和帮助临床决策的潜力.
• DFU是开发全面的ML实施框架的理想案例.

研究的目的:

• 为适当应用ML算法来预测多因素疾病结果建立一个框架.
• 评估各种ML模型对糖尿病足治愈的预测性能.
• 在现实世界DFU数据集中评估ML模型的临床实用性和校准.

主要方法:

• 使用DFU数据集来比较ML模型,包括后勤回归,SVM,k-最近邻居,RF,XGBoost,BART和ANN.
• 用统计测试 (ANOVA,奇方) 和专家验证来选择患者的特征.
• 在模型训练和交叉验证之前,进行了数据归算 (MIDAS Touch) 和平衡 (自适应合成采样).

主要成果:

• 在预测DFU愈合时,SVM模型获得了最高的准确度 (0.853) 和AUC (0.922).
• 随机森林 (RF) 和XGBoost也表现出强的表现,准确度分别为0.838和0.815.
• 所有高性能模型 (SVM,RF,XGBoost) 都通过布赖尔分数和DCA证明了良好的校准和临床实用性.

结论:

• 有效处理缺失值,特征选择和类不平衡对于临床ML应用至关重要.
• 与其他评估的ML算法相比,SVM模型对DFU愈合的预测能力更强.
• 该研究强调了像SVM这样的校准ML模型的潜力,以增强DFU管理中的临床决策.