.png){kind=icon}
返回
Predicting Asthma Exacerbations Using Machine Learning Models
.png){kind=icon}
OA
AI
DOI：10.1007/s12325-024-03053-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言尽管临床、功能和生物标志物数据可预测哮喘急性发作，但对于哮喘的实际决策，仍需要提供高准确性预后的新方法。机器学习 (ML) 利用数学和统计方法从电子健康记录 (EHR) 的大型数据集中检测未来疾病事件的模式。这项研究对ML算法进行了训练和微调，以对医生诊断的哮喘患者的哮喘发作进行真实世界的预测。方法从Optum Panther EHR数据库2016年和2023中识别出1年内且相隔至少30天的> = 2 ICD9/10哮喘编码的成年人。急诊科 (ED)，紧急护理或哮喘住院就诊，同时全身使用皮质类固醇，被认为是恶化。为了预测在6个月的研究期间与加重相关的因素，在之前6个月的基线期间检索患者的临床信息。临床信息包括人口统计学，实验室结果，诊断，药物，免疫接种和过敏。使用极端梯度提升 (XGBoost)，长短期记忆 (LSTM) 和变压器算法构建的三个模型在独立的数据集上进行了训练和测试。使用SHAP (SHapley加法解释) 库对预测进行了解释。结果在1,331,934例哮喘患者中，16,279 (1.2%) 经历了> = 1次恶化。XGBoost是最好的预测算法 (曲线下面积 [AUC] = 0.964)。与加重相关的因素包括既往加重史，泼尼松使用，大剂量沙丁胺醇使用和肌钙蛋白I升高。减少的恶化概率与接受吸入沙丁胺醇、维生素、阿司匹林、他汀类药物、呋塞米和流感疫苗接种有关。结论这项基于ML的真实世界哮喘研究证实了先前已知的与哮喘恶化风险增加相关的特征，同时揭示了尚未完全理解的与哮喘恶化风险降低相关的特征。这些发现是假设产生的，应该有助于持续讨论ML和其他监督学习模型在患者风险分层中的优势和局限性。
Keyword:
Asthma
Electronic health records
Exacerbations
Machine learning
Physician-diagnosed asthma
Real-world prediction
XGBoost
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4
论文数:
4.6K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
分享收藏Aspirin and decreased adult-onset asthma - Randomized comparisons from the Physicians' Health Study
OAAI
OAAI分享收藏分享收藏
查看更多内容