基于高级机器学习技术预测创伤脑损伤患者的呼吸机相关肺炎
机器学习
2024-08-05 v1
摘要
背景：创伤脑损伤(TBI)患者的呼吸机相关肺炎(VAP)具有显著的死亡风险，并对患者和医疗系统造成严重经济负担。及时检测和预测TBI患者的VAP对于改善患者预后和减轻医疗资源压力至关重要。方法：我们使用MIMIC-III数据库实现了六种机器学习模型。我们的研究方法包括特征选择(CatBoost和专家意见)，使用合成少数类过采样技术(SMOTE)解决类别不平衡问题，并通过5折交叉验证进行严格的模型调参以优化超参数。关键模型包括SVM、逻辑回归、随机森林、XGBoost、人工神经网络和AdaBoost。此外，我们进行了SHAP分析以确定特征重要性，并进行了消除研究以评估特征对模型性能的影响。结果：XGBoost优于基准模型和现有文献中最佳结果。我们使用AUC、准确率、特异度、灵敏度、F1得分、阳性预测值和阴性预测值等指标。XGBoost表现最佳，AUC为0.940，准确率为0.875，这分别比现有文献中最佳的AUC为0.706和准确率为0.640高出23.4%和23.5%。这种提升的性能凸显了模型在临床环境中的有效性。结论：本研究增强了TBI患者VAP预测建模，提高了早期检测和干预的潜力。精细化的特征选择和先进的集成技术显著提升了模型的准确性和可靠性，为未来的临床应用和医疗诊断研究提供了有前景的方向。
引用
@article{arxiv.2408.01144,
title = {Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques},
author = {Negin Ashrafi and Armin Abdollahi and Maryam Pishgar},
journal= {arXiv preprint arXiv:2408.01144},
year = {2024}
}