Diabetes Care:使用电子健康记录通过机器学习预测住院低血糖的风险
2020-05-26 MedSci原创 MedSci原创
在预测糖尿病住院患者低血糖的风险方面,先进的机器学习模型优于Logsitic回归模型。应该实时进行此类模型的试验,以评估其在减少住院患者低血糖中的作用。
近日,糖尿病领域权威杂志Diabetes Care上发表了一篇研究文章,研究人员分析了来自大型大学医院住院的糖尿病患者的数据,并通过机器学习算法预测低血糖风险。
研究人员从医院的电子病历系统中提取了四年的数据,这包括了实验室和临床护理时的血糖(BG)值,以识别生化和临床上显著的低血糖发作(分别为BG≤3.9和≤2.9 mmol/L)。研究人员使用了患者的人口统计资料、所用药物信息、生命体征、实验室结果以及住院期间接受的治疗来建型。数据集的两次迭代包括给药的胰岛素剂量和过去住院的低血糖病史。研究人员使用受试者工作特性曲线(AUROC)下面积,通过10倍交叉验证比较了18种不同的预测模型。
研究人员分析了从2014年7月至2018年8月期间入院32758人次的17658例糖尿病患者的数据。logistic回归模型的预测因素包括接受的治疗、体重、糖尿病类型、血氧饱和度水平、药物使用情况(胰岛素、磺酰脲和二甲双胍)和白蛋白水平。评估临床上明显的低血糖风险性能最佳的机器学习模型是XGBoost模型(AUROC为0.96),这优于logistic回归模型,该模型的AUROC为0.75。
由此可见,在预测糖尿病住院患者低血糖的风险方面,先进的机器学习模型优于Logsitic回归模型。应该实时进行此类模型的试验,以评估其在减少住院患者低血糖中的作用。
原始出处:
Yue Ruan,et al.Predicting the Risk of Inpatient Hypoglycemia With Machine Learning Using Electronic Health Records.Diabetes Care.2020.https://doi.org/10.2337/dc19-1743
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#Diabetes#
35
#DIA#
34
#BET#
36
#电子健康记录#
46
#机器#
0