目的利用机器学习算法构建新型冠状病毒肺炎(COVID-19)患者临床结局的预测模型,并探索结局相关因子。方法收集2020年2月5日至4月15日武汉市火神山医院及华中科技大学同济医学院附属同济医院光谷院区收治的COVID-19患者的临床指标与结局(院内死亡和院内接受气管插管治疗),利用人工神经网络(ANN)、朴素贝叶斯、logistic回归、随机森林4种机器学习算法构建患者临床结局的预测模型。结果共纳入4 804例COVID-19患者,其中发生院内死亡100例(2.08%)、接受气管插管治疗87例(1.81%)。与院内死亡相关性最强的变量为白细胞计数、白蛋白、钙离子、血尿素氮、心肌型肌酸激酶同工酶和年龄,与院内接受气管插管治疗相关性最强的变量为白细胞计数、淋巴细胞绝对值、超敏CRP、总胆红素、钙离子和年龄,分别利用以上变量、基于4种机器学习算法构建院内死亡和院内接受气管插管治疗预测模型。4种预测模型中,相较于基于ANN、logistic回归、随机森林算法构建的模型[预测院内死亡的AUC值(95% CI)分别为0.938(0.882~0.993)、0.926(0.865~0.987)、0.867(0.780~0.954),预测院内接受气管插管治疗的AUC值(95% CI)分别为0.932(0.814~0.980)、0.935(0.817~0.981)、0.936(0.921~0.972)],基于朴素贝叶斯算法构建的模型在预测COVID-19患者院内死亡(AUC=0.952,95% CI 0.925~0.979)和接受气管插管治疗(AUC=0.948,95% CI 0.896~0.965)方面性能均最佳。结论 4种机器学习算法在预测COVID-19患者临床结局方面性能良好,其中以基于朴素贝叶斯算法构建的预测模型最佳。白细胞计数、白蛋白、钙离子、血尿素氮、心肌型肌酸激酶同工酶和年龄可以用来预测COVID-19患者院内死亡,白细胞计数、淋巴细胞绝对值、超敏CRP、总胆红素、钙离子和年龄可以用来预测患者院内是否接受气管插管治疗。
目的运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系。方法依据最小描述长度(Mini mal Description Length,MDL)准则学习网络结构,对完整数据运用极大似然估计(Maxi mumlikelihood esti matio...
详细信息
目的运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系。方法依据最小描述长度(Mini mal Description Length,MDL)准则学习网络结构,对完整数据运用极大似然估计(Maxi mumlikelihood esti mation,MLE)获得网络参数,对含有缺失值的数据运用期望最大化(Expectation Maxi mization,EM)算法进行参数学习,并与完整数据的MLE估计进行比较,衡量BNT学习含有缺失值数据的能力。结果通过对含有1441个样本的肝癌资料的学习,构建了一个含有49个结点,62条有向边的BNT模型,并获得各结点参数。网络中的有向边反映肝癌预后影响因素之间的相互作用或影响,网络参数反映其强度。分析了直接影响肝癌预后和分期的指标,并依据网络参数,判断肝癌分期及预后情况。结论BNT模型具有较强的处理缺失数据的能力,应用BNT分析肝癌病人资料,揭示了影响肝癌预后的多因素间,多层次的多重因果关系,并从概率角度定量描述各因素间的影响强度。
暂无评论