优化护理沟通用于血液透析症状管理:开发基于人工智能的网络预测模型,用于负担分类和证据导航

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
• 护理科学 护理科学

背景情况:

• 慢性病 (CKD) 构成了全球卫生挑战,血液透析 (HD) 是一种关键的治疗方法.
• HD患者的高症状负担显著影响生活质量和临床结果.
• 目前的症状管理往往不足,特别是在资源有限的环境中.

研究的目的:

• 开发一种机器学习模型,用于对HD患者的症状负担进行分类.
• 通过准确的症状分类来优化护理干预.
• 提供可扩展的解决方案,用于管理资源有限的医疗保健机构的症状.

主要方法:

• 一项全国性的横截面研究包括来自中国五个省份的1866名HD患者.
• 机器学习算法 (弹性网,Boruta,8个分类器) 用于构建和验证预测模型.
• 模型性能使用准确度,灵敏度,特异性,AUC,DCA和SHAP值进行评估.

主要成果:

• 在XGBoost模型中,AUC达到0.994,显示出出色的预测准确度.
• 发现的关键预测因素是尿血毒素,电解质失衡和心理症状.
• 该模型显示了高临床效用和校准,为有针对性的干预提供了一个实用的工具.

结论:

• 机器学习模型可以显著改善HD患者的症状负担分类.
• XGBoost模型为个性化症状管理提供了一个高度准确和临床上有用的工具.
• 这种方法提高了科护理中的患者结果和资源效率.