CatBoost机器学习模型用于在重症癌症患者中预测血栓风险:一项MIMIC-IV数据库研究
Chang Yang1, Hongli Ma1, Xianzhang Zeng1
1Department of Anesthesiology, Chongqing University Cancer Hospital, Chongqing, China.
概括
一个新的CatBoost机器学习模型准确地预测了危急癌症患者的血栓形成风险. 这种工具有助于个性化血栓预防,有可能改善重症监护病房患者的治疗结果.
科学领域:
- 计算生物学和生物信息学
- 机器学习在医疗保健中的应用
- 关键护理医学 关键护理医学
背景情况:
- 危急癌症患者面临高血栓事件的高风险.
- 准确的风险评估对于有效的血栓预防治疗至关重要.
- 现有的预测模型对于这个特定的人群可能缺乏稳定性.
研究的目的:
- 开发和验证一种机器学习模型,用于预测重症癌症患者的血栓形成风险.
- 在这个队列中确定血栓事件的关键预测因子.
- 评估开发模型的临床实用性和可解释性.
主要方法:
- 来自MIMIC-IV数据库的1892名癌症患者的回顾性分析用于模型开发.
- 数据预处理包括归算,异常值排除和类不平衡的SMOTE.
- 训练和评估了9个机器学习模型;CatBoost根据AUC,F1分数,MCC和特异性进行了选择.
主要成果:
- CatBoost模型的AUC值为0.855 (内部验证) 和0.83 (外部验证).
- 观察到高灵敏度 (0.971内部,0.968外部) 和良好的特异性 (0.753内部,0.698外部).
- SHAP分析发现"血栓形成史"是最重要的预测因素;决策曲线分析证实了临床效用.
结论:
- 开发的CatBoost模型显示出强大的区分能力和校准,用于预测血栓形成风险.
- 该模型在临床上可解释,并作为一种有价值的决策支持工具.
- 这种工具可以指导个性化的血栓预防策略,有可能改善危急癌症患者的治疗结果.
更多相关视频
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
2.3K
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
