Zufälliger Wald -AI -Modell überlegen für die Prognose der stationären Mortalität bei Zirrhose

Folgen Sie Drugslib auf

über Healthday

Donnerstag, 24. Juli 2025 - Für stationäre Patienten mit Zirrhose ist ein maschinelles Lernmodell (ML) unter Verwendung von zufälligen Waldanalysen (RF) für die Vorhersage der stationären Mortalität überlegen, wie aus einer Studie hervorgeht, die online am 23. Juli in der Gastroenterologie des Mastroenterologie veröffentlicht wurde. in einer Kohorte, die stationäre Patienten mit Zirrhose weltweit eingeschlossen hat. Die Daten zur Aufnahmetag wurden verwendet, um stationäre Mortalität vorherzusagen. Die prospektive geräumte Kohorte umfasste 7.239 stationäre Patienten mit Zirrhose aus 115 Zentren: 22,5, 41 und 34 Prozent gehörten Ländern mit niedrigem/niedrigem Mitteleinkommen (L-LMIC), Länder mit oberem Mittelwert (UMIC) und Länder mit hohem Einkommen (HIC).

Länder mit hohem Einkommen (HIC).Insgesamt starben 11,1 Prozent der Patienten im Krankenhaus. Die Forscher fanden den besten Bereich unter der Kurve (AUC) mit RF (0,815) mit hoher Kalibrierung, was signifikant besser war als parametrische logistische Regressions- und lasso -Modelle (AUCs, 0,774 bzw. 0,787). RF blieb unabhängig vom Einkommensniveau des Landes besser als logistische Regression (AUC, 0,806, 0,867 und 0,768 für HIC, UMIC und L-LMIC). Eine externe Validierung wurde in einer Kohorte von 28.670 Veteranen durchgeführt, die eine stationäre Sterblichkeit von 4 Prozent aufwiesen. Unter Verwendung des von Cleared abgeleiteten HF-Modells betrug die AUC 0,859.

Abstract/Volltext (Abonnement oder Zahlung)

Quelle: HealthDay

Gesendet : 2025-07-25 06:00

Mehr lesen

Haftungsausschluss

Es wurden alle Anstrengungen unternommen, um sicherzustellen, dass die von Drugslib.com bereitgestellten Informationen korrekt und aktuell sind aktuell und vollständig, eine Garantie hierfür kann jedoch nicht übernommen werden. Die hierin enthaltenen Arzneimittelinformationen können zeitkritisch sein. Die Informationen von Drugslib.com wurden für die Verwendung durch medizinisches Fachpersonal und Verbraucher in den Vereinigten Staaten zusammengestellt. Daher übernimmt Drugslib.com keine Gewähr dafür, dass eine Verwendung außerhalb der Vereinigten Staaten angemessen ist, sofern nicht ausdrücklich anders angegeben. Die Arzneimittelinformationen von Drugslib.com befürworten keine Arzneimittel, diagnostizieren keine Patienten und empfehlen keine Therapie. Die Arzneimittelinformationen von Drugslib.com sind eine Informationsquelle, die zugelassenen Ärzten bei der Betreuung ihrer Patienten helfen soll und/oder Verbrauchern dienen soll, die diesen Service als Ergänzung und nicht als Ersatz für die Fachkenntnisse, Fähigkeiten, Kenntnisse und Urteilsvermögen im Gesundheitswesen betrachten Praktiker.

Das Fehlen einer Warnung für ein bestimmtes Medikament oder eine bestimmte Medikamentenkombination sollte keinesfalls als Hinweis darauf ausgelegt werden, dass das Medikament oder die Medikamentenkombination für einen bestimmten Patienten sicher, wirksam oder geeignet ist. Drugslib.com übernimmt keinerlei Verantwortung für irgendeinen Aspekt der Gesundheitsversorgung, die mithilfe der von Drugslib.com bereitgestellten Informationen durchgeführt wird. Die hierin enthaltenen Informationen sollen nicht alle möglichen Verwendungen, Anweisungen, Vorsichtsmaßnahmen, Warnungen, Arzneimittelwechselwirkungen, allergischen Reaktionen oder Nebenwirkungen abdecken. Wenn Sie Fragen zu den Medikamenten haben, die Sie einnehmen, wenden Sie sich an Ihren Arzt, das medizinische Fachpersonal oder Ihren Apotheker.

Beliebte Schlüsselwörter