基于入院信息的全年死亡率预测模型设计：一种机器学习方法
机器学习
2021-01-14 v1 应用统计
机器学习
摘要
背景：姑息治疗是指针对罹患生命受限疾病患者的一系列方案。这些方案旨在为生命最后阶段保障最低水平的生活质量（QoL）。其目前基于对一年死亡率风险的临床评估。目的：本工作的主要目标是开发并验证基于机器学习的模型，利用入院时收集的数据预测患者次年死亡（exitus）。方法：我们研究中应用了五种机器学习技术来开发机器学习预测模型：支持向量机、K近邻分类器、梯度提升分类器、随机森林和多层感知机。所有模型均使用回顾性数据集进行训练与评估。评估通过重采样策略计算的五项指标完成：准确率、ROC曲线下面积、特异度、灵敏度和平衡错误率。结果：所有预测一年死亡率的模型AUC ROC均达0.858至0.911。具体而言，梯度提升分类器为最优模型，其AUC ROC为0.911（95% CI，0.911至0.912），灵敏度为0.858（95% CI，0.856至0.86），特异度为0.807（95% CI，0.806至0.808），BER为0.168（95% CI，0.167至0.169）。结论：入院常规信息结合机器学习技术所产生的模型具有具竞争力的判别力。我们的模型达到了文献报道的最佳结果。这些结果表明，它们可用作准确的数据驱动姑息治疗纳入标准。
引用
@article{arxiv.1907.09474,
title = {Design of one-year mortality forecast at hospital admission based: a machine learning approach},
author = {Vicent Blanes-Selva and Vicente Ruiz-García and Salvador Tortajada and José-Miguel Benedí and Bernardo Valdivieso and Juan M. García-Gómez},
journal= {arXiv preprint arXiv:1907.09474},
year = {2021}
}