Modèle aléatoire de forêt AI supérieur pour le pronostic de mortalité en milieu hospitalier dans la cirrhose

Suivez Drugslib sur

par Elana Gotkine Healthday Reporter

médical examiné par Carmen Pope, Bpharm. Dernière mise à jour le 24 juillet 2025.

via Healthday

Jeudi 24 juillet 2025 - Pour les patients hospitalisés atteints de cirrhose, un modèle d'apprentissage automatique (ML) utilisant une analyse aléatoire de forêt (RF) est supérieure à la prédiction de la mortalité en milieu hospitalier. Mortalité dans une cohorte qui a inscrit des patients hospitalisés avec une cirrhose dans le monde. Les données du jour de l'admission ont été utilisées pour prédire la mortalité en milieu hospitalier. La cohorte élaborée prospective comprenait 7 239 patients hospitalisés atteints de cirrhose de 115 centres: 22,5, 41 et 34 pour cent appartenaient à des pays à revenu faible / à faible intercapour

Dans l'ensemble, 11,1% des patients sont morts à l'hôpital. Les chercheurs ont trouvé la meilleure zone sous la courbe (AUC) avec RF (0,815), avec un étalonnage élevé, qui était significativement meilleur que la régression logistique paramétrique et les modèles de lasso (AUCS, 0,774 et 0,787, respectivement). La RF est restée meilleure que la régression logistique quel que soit le niveau de revenu du pays (AUC, 0,806, 0,867 et 0,768 pour HIC, UMIC et L-LMIC, respectivement). Une validation externe a été effectuée dans une cohorte de 28 670 anciens combattants, qui avaient 4% de mortalité par hospitalisation. En utilisant le modèle RF dérivé de l'effacement, l'ASC était de 0,859.

"Ce modèle d'apprentissage automatique qui a une représentation globale équitable pourrait être bénéfique dans le pronostic rapide des patients hospitalisés avec une cirrhose", écrivent les auteurs.

Abstract / Full Text (abonnement ou paiement Les articles fournissent des tendances générales et ne concernent pas les individus. Les facteurs individuels peuvent varier considérablement. Recherchez toujours des conseils médicaux personnalisés pour les décisions de santé individuelles.

Source: Healthday

Publié : 2025-07-25 06:00

En savoir plus

Avis de non-responsabilité

Tous les efforts ont été déployés pour garantir que les informations fournies par Drugslib.com sont exactes, jusqu'à -date et complète, mais aucune garantie n'est donnée à cet effet. Les informations sur les médicaments contenues dans ce document peuvent être sensibles au facteur temps. Les informations de Drugslib.com ont été compilées pour être utilisées par des professionnels de la santé et des consommateurs aux États-Unis et, par conséquent, Drugslib.com ne garantit pas que les utilisations en dehors des États-Unis sont appropriées, sauf indication contraire spécifique. Les informations sur les médicaments de Drugslib.com ne cautionnent pas les médicaments, ne diagnostiquent pas les patients et ne recommandent pas de thérapie. Les informations sur les médicaments de Drugslib.com sont une ressource d'information conçue pour aider les professionnels de la santé agréés à prendre soin de leurs patients et/ou pour servir les consommateurs qui considèrent ce service comme un complément et non un substitut à l'expertise, aux compétences, aux connaissances et au jugement des soins de santé. praticiens.

L'absence d'avertissement pour un médicament ou une combinaison de médicaments donné ne doit en aucun cas être interprétée comme indiquant que le médicament ou la combinaison de médicaments est sûr, efficace ou approprié pour un patient donné. Drugslib.com n'assume aucune responsabilité pour aucun aspect des soins de santé administrés à l'aide des informations fournies par Drugslib.com. Les informations contenues dans le présent document ne sont pas destinées à couvrir toutes les utilisations, instructions, précautions, avertissements, interactions médicamenteuses, réactions allergiques ou effets indésirables possibles. Si vous avez des questions sur les médicaments que vous prenez, consultez votre médecin, votre infirmière ou votre pharmacien.

Mots-clés populaires