要点
问题机器学习模型能否准确预测头颈癌患者的急诊科使用和计划外住院?
发现利用来自加拿大安大略省70,000 000多例门诊就诊的数据,该预测建模研究开发了一种具有高辨别和校准能力的机器学习算法。患者症状评分是模型中最具预测性的特征之一。
意义机器学习方法可用于预测头颈癌的急性护理事件;该工具可用于对患者进行风险分层,并可能有助于指导有针对性的干预。
重要性最近发现患者报告的症状负担与头颈癌患者的急诊科使用和计划外住院(ED/Hosp)有关。假设症状评分可以与行政健康数据相结合,以准确地对患者进行风险分层。
客观的开发并验证一种机器学习方法来预测头颈癌患者未来的ED/Hosp。
设计,设置和参与者这是一项基于人群的预测建模研究,研究对象是2007年1月至2018年3月期间被诊断患有头颈癌的加拿大安大略省患者。确定了所有门诊患者的临床接触情况。提取埃德蒙顿症状评估系统(ESAS)评分和临床及人口学因素。训练组和测试组按4:1的比例随机生成。探讨了各种机器学习算法,包括(1)使用最小绝对收缩和选择算子的逻辑回归,(2)随机森林,(3)梯度增强机,(4)k近邻和(5)人工神经网络。数据分析时间为2021年9月至2022年1月。
主要成果和措施主要结局是症状评估后的任何14天ED/Hosp事件。每个模型的性能在测试队列中使用接收算子特征(AUROC)曲线下的面积和校准图进行评估。Shapley值用于识别对模型贡献最大的变量。
结果训练队列包括9409例患者(平均[SD]年龄63.3[10.9]岁),接受59次 089次症状评估(80%)。其余2352例患者(平均[SD]年龄63.3岁)和14 193例症状评估作为测试队列(20%)。有几个模型具有很高的预测精度,特别是梯度增强机(验证AUROC, 0.80 [95% CI, 0.78-0.81])。基于youden的截止值对应的验证敏感性为0.77,特异性为0.66。患者报告的症状评分一直被认为是模型中最具预测性的特征。仅用症状严重程度数据建立的第二个模型的AUROC为0.72 (95% CI, 0.70-0.74)。
结论与相关性在这项研究中,机器学习方法可以高度准确地预测头颈癌患者的ED/Hosp。这些工具可用于准确地对患者进行风险分层,并可能有助于指导有针对性的干预。