基于对透析质量指标的持续遵守,用于预测维护血液透析患者1年死亡风险的机器学习方法
Jianhua Dong1, Mingwei Zhang2, Xi Yang1
1National Clinical Research Center of kidney Diseases, JinLing Hospital, Nanjing University School of Medicine, Nanjing, Jiangsu, 210016, China.
这项研究开发了一个机器学习模型,使用透析质量指标来预测维持血液透析 (HD) 患者的1年死亡率. ExtraTrees模型表现出强大的预测准确性,为患者的预后提供了洞察力.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 维持血液透析 (HD) 患者面临显著的死亡风险.
- 对透析质量指标的持续评估对于患者管理至关重要.
- 预测模型可以帮助早期干预,并改善患者的治疗结果.
研究的目的:
- 开发一种1年死亡风险预测模型,用于维护HD患者.
- 利用基于连续透析质量指标的机器学习方法.
- 评估开发模型的预测性能.
主要方法:
- 一项对240名维持性HD患者进行的回顾性队列研究.
- 用"指标时间与标准比率"和"指标波动值"来评估9个关键指标的透析质量.
- 他们使用了六种机器学习算法 (KNN,RandomForest,ExtraTrees,XGBoost,AdaBoost,DecisionTree).
- 沙普利添加式解释 (SHAP) 值用于模型解释.
主要成果:
- 在94个月后,25%的患者死亡.
- 使用"指标时间与标准比率"的ExtraTrees模型实现了最高的性能 (精度为0.92,AUC为0.93).
- 确定了一个0.65的最佳概率值.
- SHAP值为模型预测提供了有关特征重要性的见解.
结论:
- "指标时间与标准比率"和"指标波动值"对持续透析质量评估具有前景.
- 机器学习模型,特别是那些基于"指标时间与标准比率"的模型,可以有效预测HD患者的死亡风险.
- 这些发现支持使用数据驱动方法来改善维护性疾病患者的预后.
更多相关视频
07:13Digital Home-Monitoring of Patients after Kidney Transplantation: The MACCS Platform
Published on: April 12, 2021
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Dialysis
Acute kidney injury develops suddenly and can be caused by pre-renal causes (e.g., hypovolemia, shock), intrinsic renal causes (e.g., acute tubular necrosis), or post-renal causes (e.g., urinary obstruction). In contrast, chronic renal failure progresses gradually over time and is often...
Hemodialysis III: Nursing Management
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Hemodialysis I: Introduction
Hemodialysis II: Procedure and Complications
Continuous Renal Replacement Therapy
