可解释的机器学习模型使用常规临床数据用于早期预测死性带炎:单中心回顾性研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 传染病诊断 传染病诊断 传染病诊断

背景情况:

• 死性膜炎 (NF) 是一种严重的软组织感染,死亡率高,由于依赖临床评估,经常被误诊.
• 准确及时诊断NF是一项挑战,需要改进预测工具.
• 这项研究旨在开发一种可解释的机器学习模型,用于早期NF预测.

研究的目的:

• 构建和验证一个可解释的机器学习模型,用于早期预测死性膜炎 (NF).
• 为了利用常规的临床数据来优化NF诊断.
• 提高诊断的准确性和支持临床决策.

主要方法:

• 对288名软组织感染患者进行了回顾性分析.
• LASSO回归确定了关键预测因素,并实施了五种机器学习算法 (SVM,DT,LightGBM,XGBoost,RF).
• 模型性能使用分层10倍交叉验证来评估.

主要成果:

• 在288名患者中,81人 (28.1%) 确诊为NF病例.
• 该XGBoost模型实现了优异的区分能力,AUC为0.809.
• XGBoost的表现优于常规的nomogram,其AUC为0.724.

结论:

• 可解释的XGBoost模型使用标准临床指数准确识别NF.
• 这个模型可以作为临床决策支持系统的宝贵工具.
• 该模型的实施可以优化死性膜炎的诊断工作流程.