1754407416
2025-08-05 15:03:00
В Китае, хотя антиретровирусная терапия доступна для ПЛВ, оппортунистические инфекции и сопутствующие заболевания ВИЧ по-прежнему являются основными причинами поступления в отделение интенсивной терапии, что увеличивает социально-экономическую бремя и напоминает нам о своевременном прогнозе о возникновении серьезных сопутствующих заболеваний, чтобы снизить риск приема в МИК. Интеллектуальная система здравоохранения, основанная на моделях ML для прогнозирования конкретных факторов риска, имеет потенциальную ценность в клинической работе [11,12,13]в том числе вход в отдел интенсивной терапии. Интеллектуальные системы здравоохранения на основе ML-модели могут помочь врачам своевременно определить риск приема в ОРИТ, снизить вероятность развития серьезных заболеваний и разработать превентивные стратегии, чтобы облегчить страдания пациентов и снизить расходы на здравоохранение [34]Полем
В этом исследовании мы использовали фиксированный подход по времени-точке для анализа риска приема в ОИТ у пациентов с ВИЧ. Фиксированное окно наблюдения обеспечивает относительно стабильный и репрезентативный интервал наблюдения. Например, мы выбрали данные с января 2009 года по декабрь 2020 года в качестве окна наблюдения, в течение которого мы систематически собирали клинические данные и информацию о регрессии всех пациентов с ВИЧ, которые соответствовали критериям включения. Этот фиксированный период наблюдения позволил нам четко наблюдать за тенденциями приема ОИТ в этой группе в течение более длительного периода времени, а также ассоциации различных факторов риска, связанных с ними. Некоторые исследования показали, что фиксированные окна наблюдения помогают охватить фазы развития заболевания и обеспечить надежную базу данных для построения моделей прогнозирования, что позволяет нам оптимизировать алгоритмы на основе факторов риска, которые повышают точность прогнозов.
Алгоритм множественных вменений уравнений с помощью цепных уравнений (мышей) был выбран по таким методам, как простое среднее вменение в основном из -за значительных преимуществ алгоритма мышей в решении сложных наборов данных [35, 36]Полем Мыши итеративно соответствуют прогнозной модели для каждой переменной с отсутствующими значениями, условными на других переменных в данных, которые учитывают корреляции между переменными и более реалистично отражают распределения данных и основные отношения [37]Полем Простое среднее вменение может привести к изменению распределения переменных, что приведет к смещению прогнозирующих моделей. From clinical studies, missing data are often not completely random and are affected by a variety of clinical factors such as disease severity, etc. The MICE algorithm can more accurately simulate the real data situation and retain the intrinsic relationship between clinical variables, thus providing a more reliable data base for subsequent machine learning models and enhancing the accuracy and robustness of machine learning models in predicting the risk of ICU admission for HIV-infected patients.
Приложения машинного обучения в медицине имеют потенциальную ценность в диагностике, лечении и прогнозе различных заболеваний. Искусственная нейронная сеть (ANN) [38] Алгоритм машинного обучения, основанное на структуре и поведении нейронов в мозге, что оказывает значительное влияние на прогнозирование прогрессирования хронического заболевания и терапевтического эффекта [39,40,41]Полем В соответствии с Pienaar et al.Исследование прогнозирования смертности в педиатрических отделениях интенсивной терапии [42]Наше исследование 1530 пациентов с СПИДом (соотношение тренировок к 7: 3) подтвердило превосходство ANN по сравнению с моделями Log/RF/KNN/SVM/XGB с использованием наилучших показателей производительности (самый низкий балл Brier, самый высокий AUROC/AUPRC). Morgan et al. [43] указывал, что с увеличением размера выборки модели машинного обучения представляли большую точность и стабильность, меньшую переоценку и большую согласованность с внутренней проверкой. По мере увеличения размера выборки метрики в алгоритмах машинного обучения повышают стабильность и обобщаемость модели, включая оценку BRIER, AUROC и AUPRC.
Счет Брир [27] Относится к среднему квадратному отклонению между прогнозируемой вероятностью и наблюдаемым результатом и имеет значение в диапазоне от 0 до 1. Более низкие оценки BRIER указывают на лучшую производительность модели. Анализ кривой рабочей характеристики приемника (ROC) и кривой-кривой точности (КНР)[КРК)[[28В2930]являются более подходящими и предпочтительными методами оценки диагностической и прогнозирующей точности заболевания, со значениями в диапазоне от 0 до 1 и большей площадью под кривой, указывающей на лучшую производительность. В этом исследовании пять моделей машинного обучения, Log, RF, KNN, SVM и XGB, не были оптимальны из-за их более высоких баллов Brier и меньших ROC-AUC и PR-AUC по сравнению с моделью ANN (балл BRIER = 0,034, ROC-AUC = 0,961, PR-AUC = 0,895).
Традиционные модели ИИ, особенно глубокие нейронные сети, часто рассматриваются как «черные ящики», которые делают точные прогнозы; Тем не менее, трудно понять, как они получают эти результаты. Объяснимый искусственный интеллект (XAI) [52,53,54,55] Относится к ряду методов и методов, предназначенных для принятия процессов принятия решений моделями искусственного интеллекта для людей, понимающих, с целью ощутить внутреннюю работу черного ящика, определить, какие входные функции оказывают наибольшее влияние на результаты или выходы системы и в конечном итоге сделать систему интерпретируемой и расшифровкой. Разнообразные устоявшиеся методы и методы XAI, такие как локальные интерпретируемые модель-алкогольные объяснения (известь) [56]Картирование активации класса градиента (Grad-Cam) [57]Аддитивное объяснение Shapley (Shap) [31, 32]и глубокое обучение важными функциями (DeepLift) [58] были использованы для задач прогнозирования в различных областях.
Модели машинного обучения имеют высокую точность; Однако их внутренний процесс прогнозирования не виден, и они являются моделями черного ящика. Чтобы повысить объясняемость моделей, это исследование представило значения Shapley (Shap) для анализа важности признаков. Значение Шапли было рассчитано на основе предельного вклада каждого участника в результат, учитывая все возможные перестановки участников; Однако значение Шапли также имеет ограничения, такие как большое количество расчетов [59]Полем На рисунке 4 показан сводный график значений формы для функций со значением формы для каждой функции, нанесенной в соответствии с его положительным или отрицательным вкладом. Положительные и отрицательные значения по оси x указывают на положительное или отрицательное влияние на целевую переменную, соответственно. Таким образом, основными причинами повышенного риска поступления в ОИТ у ВИЧ-позитивных пациентов, в порядке убывания, были диагноз респираторной недостаточности, множественные оппортунистические инфекции в респираторной системе, обороты, определяющие СПИД, базовую вирусную нагрузку, РПП, исходное количество клеток CD4, необузданные инфекции, сердечно-сосудистые заболевания, не DEAD-defection-Defection-Defections Comblescections и множественные оппорции. Текущий анализ форм обеспечивает персонализированный анализ и позволяет точно и конкретно лечить заболевание в ПСВ.
Иммунная система пациентов с ВИЧ подвергается нарушению, и после того, как появляются признаки дыхательной недостаточности, их состояние может прогрессировать чрезвычайно и опасно, что приведет к поступлению в отделение интенсивной терапии [47]Полем Раннее распознавание дыхательной недостаточности позволяет врачам быстро регулировать стратегии кислородной терапии, если признаки дыхательной недостаточности обнаруживаются заранее, тем самым улучшая оксигенацию и избегая побочных реакций, вызванных гипоксией. С точки зрения лечения дыхательных путей, поскольку пациенты с ВИЧ подвергаются риску вязкости мокроты и кашля из -за слабости и длительного вылета в постель, врачи могут быть в состоянии оценить состояние дыхательных путей пациента и придавать лечение небулазирующей терапии ранее, чтобы предотвратить мокроту от препятствий в дыхательных путях, тем самым снижая риск усиления инфекции ливаторов и респираторных неудач. С точки зрения фармакологических вмешательств раннее распознавание дыхательной недостаточности позволяет врачам корректировать синергическое использование лекарств против ВИЧ с помощью других симптоматических методов более рационально. В заключение, ранняя идентификация респираторной недостаточности у пациентов с ВИЧ позволяет врачам принимать меры вмешательства заранее на различных ключевых медицинских этапах; уменьшает сложность лечения, заболеваемости и смертности после поступления в отделение интенсивной терапии; и улучшает общий уровень успеха спасительного лечения.
С точки зрения преимуществ, мы сначала использовали модели классификации машинного обучения для прогнозирования индивидуальных факторов риска для поступления в ОРИ, что помогло адекватно оценить риск поступления в ОРИ в ПЛВ. Во -вторых, внутренняя валидация была проведена на прогнозной модели с использованием 11 -летнего клинического данных и различных алгоритмов ML, что указывает на хорошее обобщение, точность и уверенность в модели прогнозирования.
Это исследование имело несколько ограничений. Во-первых, это было ретроспективное одноцентровое исследование когорты, и клинический уклон был неизбежным. Во -вторых, переизбытка модели продолжает оставаться существенной проблемой. Переосмысление описывает феномен, когда модели с высокой прогностикой на учебных данных не очень хорошо обобщаются для будущих наблюдений, что ограничивает практическое применение модели в реальных клинических ситуациях [60]Полем С точки зрения этики и реализации, интеграция инструментов машинного обучения в клинические рабочие процессы должна учитывать нарушения конфиденциальности данных пациентов и скептицизм врача. Это исследование не было извне подтверждено, и выводы этого исследования следует дополнительно исследовать с использованием случайной и репрезентативной выборки популяции в многоцентровом исследовании.
В этом исследовании мы создали модели машинного обучения, которые значительно способствуют прогнозированию факторов риска для приема ОРИТ среди ПЛВ в Китае. Прогнозирующие модели помогут медицинским работникам рационализировать планы диагноза, лечения и ухода за PLWH, следовательно, уменьшая их страдания и способствуя раннему выздоровлению. Они также могут быть использованы для оценки вероятности и риска поступления в ОРИТ для ВИЧ-позитивных пациентов.
#Алгоритмы #машинного #обучения #для #прогнозирования #риска #поступления #отделения #интенсивной #терапии #ВИЧинфицированных #людей #одноцентровое #исследование #Virology #Journal
Ещё по этой теме
