开发一种基于机器学习的预测模型,用于移植后的早期再入院:一项回顾性研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 移植医学 移植医学
• 医疗保健中的人工智能

背景情况:

• 移植是拯救生命的手术,但早期住院再接收 (EHR) 仍然是一个重大挑战.
• 预测EHR对于优化患者的治疗结果和移植后护理的资源配置至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测移植患者的早期住院再接收 (EHR).
• 确定EHR的关键预测因子,以告知临床决策.

主要方法:

• 利用了大学医院的器官移植中心的470名脏移植接受者的数据.
• 开发和训练了四个ML模型,使用混矩阵和ROC AUC评估性能.
• 采用随机过量采样来解决数据不平衡.

主要成果:

• 随机森林模型表现出卓越的性能,ROC AUC为0.87 (验证) 和0.82 (测试组).
• 确定了15个EHR的关键预测因素,包括类固醇脉冲疗法,脑血管事故,心力衰竭,心血管疾病和周末放电.
• 该模型在应用过量采样方法后,对于EHR实现了51.2%的预测准确度.

结论:

• 开发的ML框架为EHR脏移植后提供了强大的预测解释性.
• 这个工具可以帮助移植专业人员分层患者的风险,优先考虑护理,并分配有针对性的干预措施.
• 加强临床决策支持改善高风险移植接受者的管理.