在非的上胃肠道出血中预测死亡率:机器学习模型与传统的临床风险评分相比

科学领域:

• 紧急医疗 紧急医疗
• 临床信息学 临床信息学
• 在医疗保健中的数据科学.

背景情况:

• 非的上部胃肠道出血 (NVUGIB) 具有显著的死亡风险,特别是在紧急情况下.
• 目前的风险分层分数 (GBS,AIMS65,Rockall) 在预测NVUGIB患者的死亡率方面具有有限的准确性.
• 需要更精确的工具来识别高风险NVUGIB患者.

研究的目的:

• 评估监督机器学习 (ML) 模型对NVUGIB.30日死亡率的预测性能.
• 将ML模型的准确性与已建立的临床风险得分进行比较.
• 用ML识别NVUGIB中死亡率的关键预测因素.

主要方法:

• 对1233名NVUGIB患者进行了回顾性队列研究,这些患者向急诊室呈现.
• 培训和评估七个监督的ML算法与六个特征选择技术.
• 使用AUROC,F1得分,灵敏度,特异性和校准进行性能评估,与GBS,AIMS65和Rockall得分相比.

主要成果:

• 最好的ML模型 (XGBoost) 实现了AUROC>0.80和F1得分为0.909,明显超过传统得分 (最高的Rockall AUROC:0.743).
• 与传统方法相比,ML模型显示出更高的灵敏度,特异性和校准性.
• 关键预测因素包括年龄,并发症,血液动力学状态和实验室标记.

结论:

• 与传统得分相比,监督的ML模型显示在NVUGIB中预测30天死亡率的明显优异的明显歧视.
• 这些发现凸显了ML在改善NVUGIB风险分层方面的潜力.
• 在临床实施这些ML模型之前,外部多中心验证至关重要.