换一批
换一批机器学习预测急性上消化道出血患者干预及再出血的风险价值
The value of predicting intervention and rebleeding risk for patients with acute upper gastro-intestinal bleeding based on machine learning
摘要：
目的:探讨机器学习(ML)对急性上消化道出血(AUGIB)患者输血干预及再出血的预测价值.方法:回顾性分析2020年7月至2023年10月云南省第三人民manbet官网登录 收治的512例AUGIB患者的临床资料.采用极端梯度提升树(XGBoost)进行变量重要度分析,将筛选得到的重要度排名前10项的因素作为模型中的变量;使用logistic回归、XGBoost、随机森林、支持向量机(SVM)及K近邻算法(KNN)进行分类预测并对比,选取最佳模型并采用SHAP图对ML筛选出的特征进行可解释性分析;并用最佳模型与临床常用AUGIB评分系统进行比较,评估临床价值.结果:XGBoost算法模型中输血干预危险因素得分前10项分别为血红蛋白、国际标准化比值(INR)、白蛋白、收缩压、尿素、麻醉风险评分、脉搏、肌酐、年龄、是否休克.利用以上重要特征进行建模,XGBoost预测AUGIB患者输血干预效果最好,得分最高,即能够尽可能找出更多发生消化道出血进行输血干预的患者,且优于临床常用格拉斯哥—布拉奇福德出血评分(GBS)、AIMS65、ABC及T评分系统.通过XGBoost算法模型中再出血患者重要特征得分前10项为年龄、肌酐、INR、血红蛋白、麻醉风险评分、白蛋白、收缩压、尿素、肝硬化、性别.利用得分排前10的危险因素进行建模,XGBoost预测AUGIB患者再出血的效果最佳,且优于以上4种评分系统.结论:在预测AU-GIB患者输血干预及再出血的价值中,ML模型优于GBS、AIMS65、ABC及T评分系统;XGBoost模型算法更佳,具有更好的有效性.
更多
作者：
作者单位：
大理大学医学院,大理 671000;云南省第三人民manbet官网登录
大理大学第二附属manbet官网登录
消化内科,昆明 650000
[1]
云南省第三人民manbet官网登录
大理大学第二附属manbet官网登录
消化内科,昆明 650000
[2]
云南省第一人民manbet官网登录
基础和临床医学研究所,昆明 650034
[3]
期刊：
《广西医科大学学报》2024年41卷5期 748-755页
ISTIC
关键词：
机器学习极限梯度提升算法急性上消化道出血风险评估machine learningeXtreme gradient boostingacute upper gastrointestinal bleedingrisk assessment
分类号：
R575.2
栏目名称：
临床研究
DOI：
10.16190/j.cnki.45-1211/r.2024.05.016
发布时间：
2024-07-17
基金项目：
云南省兴滇英才支持计划名医资助项目
云南省科技厅科技计划项目
云南省科技厅科技计划项目
- 浏览：3
- 被引：0
- 下载：4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
