典型文献
基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证
文献摘要：
目的 采用机器学习方法,构建重症股骨颈患者院内死亡预测模型,辅助临床医生尽早进行临床决策.方法 使用公开数据库——重症监护医疗信息市场(Medical Information Mart for Intensive Care,MIMIC)Ⅲ中入住ICU的股骨颈骨折患者信息进行回顾性分析.采用SMOTE算法平衡数据集后,按7:3随机划分训练集和验证集.以患者发生院内死亡作为结局,分别构建随机森林、XGBoost和BP神经网络预测模型.模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)、准确率、精确率、灵敏度和特异度进行评估,并与传统Logistic模型对比验证模型的预测价值.结果 共纳入366例股骨颈骨折患者,其中院内死亡48例.按死亡组:生存组=1:1平衡数据集后共获得636例患者数据.3种机器学习模型具有较高的预测准确性,随机森林、XGBoost和BP神经网络的AUC分别为0.98、0,97和0.95,预测性能均高于传统Logistic回归模型.对特征变量重要性进行排序,得到对预测患者院内死亡风险有意义的前10个特征变量为:维生素D、乳酸脱氢酶、肌酐、SAPSⅡ评分、血清钙、入住ICU时长、白细胞、年龄、BMI和肌酸激酶.结论 使用机器学习构建的死亡风险评估模型对预测重症患者的院内死亡有着积极的意义,并为减少院内死亡,改善患者预后提供有效的依据.
文献关键词：
机器学习;股骨颈骨折;院内死亡
中图分类号：
作者姓名：
徐凌霄;刘俊;韩春霞;艾自胜
作者机构：
同济大学医学院,上海 200092
文献出处：
引用格式：
[1]徐凌霄;刘俊;韩春霞;艾自胜-.基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证)[J].同济大学学报（医学版）,2022(06):812-818
A类：
B类：
基于机器学习,股骨颈骨折,骨折患者,死亡风险预测模型,预测模型构建,机器学习方法,死亡预测,临床医生,临床决策,重症监护,医疗信息,Medical,Information,Mart,Intensive,Care,MIMIC,入住,ICU,患者信息,SMOTE,平衡数据集,训练集,验证集,XGBoost,神经网络预测模型,模型性能,受试者工作特征曲线,特征曲线下面积,area,under,receiver,operating,characteristic,curve,AUROC,精确率,模型对比,对比验证,验证模型,预测价值,中院,共获,患者数据,机器学习模型,预测准确性,预测性能,特征变量,变量重要性,院内死亡风险,乳酸脱氢酶,肌酐,SAPS,血清钙,肌酸激酶,死亡风险评估,风险评估模型,重症患者
AB值：
0.37734
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
