使用可解释机器学习的宫脊髓创伤患者术后呼吸衰竭的预测模型
概括
可解释的机器学习模型可以预测部脊髓损伤 (TCSCI) 患者的呼吸衰竭 (RF). XGBoost模型表现最好,帮助高风险个体进行早期干预.
科学领域:
- 医疗信息学 医疗信息学
- 脊髓损伤研究 脊髓损伤研究
- 医疗保健中的机器学习
背景情况:
- 呼吸衰竭 (RF) 是导致部脊髓创伤 (TCSCI) 患者死亡和残疾的主要原因.
- 对于TCSCI患者经历RF,经常需要辅助通风.
- 准确预测射频风险对于及时的临床干预至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (IML) 模型,用于预测TCSCI患者的术后射频.
- 使用IML识别影响射频风险的关键临床因素.
- 加强管理TCSCI患者的临床决策.
主要方法:
- 从TCSCI患者 (2010-2021) 的临床数据的回顾性分析.
- 对于特征选择和六个机器学习 (ML) 模型的 LASSO 回归的开发.
- 使用区分,灵敏度,特异性,准确性和F1分数进行性能评估;用于可解释性的SHAP算法.
主要成果:
- 19.4%的患者 (84/432) 发生了手术后的RF.
- XGBoost模型实现了最高的预测性能.
- 通过SHAP分析确定的关键预测因素包括ASIA评分,营养指数 (PNI) 的预后,宫骨折脱,神经损伤部分和严重创伤.
结论:
- 可解释的机器学习模型是预测TCSCI患者RF的有效工具.
- XGBoost 模型显示出卓越的预测能力.
- 这些模型有助于临床医生识别高风险患者进行早期干预.
