机器学习模型的开发和外部验证,用于预测急性肝衰竭的住院死亡率
Xuanlin Wu1, Qingzhou Song2, Delin Li2
1Department of Breast Surgery, Guangxi Medical University Cancer Hospital, Nanning 530021, Guangxi Zhuang Autonomous Region, China.
概括
这项研究开发了一种机器学习模型,用于预测急性肝衰竭 (ALF) 患者的死亡率. 该模型提供早期风险分层和临床决策支持,以获得更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 关键护理医学 关键护理医学
背景情况:
- 急性肝衰竭 (ALF) 构成一个关键威胁,需要精确的风险评估.
- 目前对ALF的预后工具缺乏足够的准确性和广泛适用性.
- 开发先进的预测模型对于及时干预ALF至关重要.
研究的目的:
- 创建和验证用于预测ALF患者住院死亡率的机器学习 (ML) 框架.
- 为了在医院环境中实现早期,动态的风险分层.
- 为了提高临床决策的急性肝功能衰竭管理.
主要方法:
- 利用MIMIC-IV和外部队列的数据进行模型开发和验证.
- 使用LASSO回归和Boruta算法选择了11个关键预测因素.
- 训练并优化了七个ML模型,通过歧视,校准和决策曲线分析评估性能,并通过SHAP进行解释性.
主要成果:
- 后勤回归显示出强的表现,AUC为0.802 (内部) 和0.774 (外部).
- 由SHAP确定的关键预测因素包括温度,血管压缩剂使用,年龄,CRRT和镇静剂/止痛药使用.
- 开发了一个名图和在线工具,用于个性化风险预测,证明了临床实用性.
结论:
- 已经开发了一个可解释的,外部验证的ML模型来预测ALF死亡率.
- 该模型是早期风险分层和临床支持的实用工具.
- 该框架促进了急性肝衰竭病例的动态评估和明智的治疗决策.
