基于示例学习的强化诱导后低血压预测与交叉重启策略驱动的特征选择
Liufang Sheng1, Shenghui Yu1, Ke Ding2
1The Affiliated People's Hospital, Ningbo University, Ningbo, Zhejiang, 315040, China.
Computer methods and programs in biomedicine
|October 17, 2025
概括
一个新的机器学习模型bECRIME-SVM准确地预测了接受手术的老年患者的诱导后低血压 (PIH). 使用这种模型进行早期PIH预测可以改善患者的治疗结果和术后恢复.
科学领域:
- 麻醉学和重症监护医学
- 医疗保健中的人工智能
- 心血管医学 心血管医学
背景情况:
- 诱导后低血压 (PIH) 是一般麻醉患者的常见并发症,特别是患有心血管疾病或流体管理问题的患者.
- PIH可能导致关键器官的低 perfusion,增加了长时间恢复,并发症和死亡的风险.
- 早期预测PIH对于优化患者管理和改善外科手术结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于准确预测接受选择性手术的老年患者的诱导后低血压 (PIH).
- 确定预测PIH发生的关键临床特征.
主要方法:
- 一个机器学习模型,bECRIME-SVM,是使用440名接受选择性手术的老年患者的数据开发的.
- 该模型使用了在 rime优化算法 (ECRIME) 内的交叉重启策略的示例学习策略来进行特征选择,然后进行支持向量机器 (SVM) 评估.
- 根据诱导后的平均动脉压,患者被分为PIH和非PIH组.
主要成果:
- 对于PIH,bECRIME-SVM模型实现了84.1%的预测准确度和85.3%的特异性.
- 与其他基准模型相比,ECRIME算法表现出卓越的优化和趋同准确性.
- 发现的关键预测特征包括糖尿病,酒精消费,氨酸使用,β阻塞剂使用,总胆固醇和诱导前缩血压.
结论:
- bECRIME-SVM模型是准确的PIH临床预测的宝贵工具.
- 确定重要的预测因素为早期发现和管理PIH提供了关键的见解.
- 这种预测能力可以改善接受全身麻醉的患者的术后结果.
更多相关视频
03:37Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
Published on: March 1, 2024
1.2K
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
8.6K
