Цель: для описания результатов применения модели машинного обучения в целях прогнозирования госпитального кардиального ареста за 24 часа до его манифестации в общих палатах госпиталя.
Дизайн: ретроспективное, обсервационное когортное исследование.
Условия: общие палаты госпиталя.
Пациенты: данные были извлечены из электронных историй болезни, хранящихся в госпитале.
Вмешательства: не было.
Основные переменные исследования: в качестве предикторов госпитального кардиального ареста использовались 28 переменных, включая анамнез, жизненно важные параметры и данные лабораторных методов исследования.
Модели: для раннего прогнозирования госпитального кардиального ареста использовались следующие алгоритмы машинного обучения: Nearest Neighbours, Support Vector Machine, Multilayer Perceptron, Random Forest, Gradient Boosting, Custom Ensemble of Gradient Boosting estimators (CEGB).
Эксперименты: обучение модели и дальнейшее ее изучение поводилось с помощью перекрестной валидации. Метриками стали производительность, точность, специфичность, чувствительность и AUC.
Результаты: наилучшую производительность предоставила модель CEGB с такими показателями: AUC = 0.90, специфичность =0.84, чувствительность =0.81. Основными переменными, что оказали влияние на прогнозирование госпитального кардиального ареста, стали: уровень сознания, значения гемоглобина, глюкозы, мочевины, креатинина, артериального давления, частоты сердечных сокращений, а также возраст и наличие гипертензии.
Выводы: использование моделей машинного обучения может оказать существенную поддержку в раннем выявлении госпитального кардиального ареста.
Подробнее: https://www.medintensiva.org/es-application-machine-learning-model-for-articulo-S0210569124002365
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
