Model AI Hutan Acak Superior untuk Prognostikasi Kematian Rawat Inap pada Sirosis

Ikuti Drugslib di

oleh Elana Gotkine Healthday Reporter

Via Healthday

Kamis, 24 Juli 2025 - Untuk pasien rawat inap dengan sirosis, model pembelajaran mesin (ML) menggunakan analisis hutan acak (RF) lebih unggul untuk prediksi kematian rawat inap, menurut sebuah penelitian yang diterbitkan secara online pada 23 Juli di Gastroenterologi.

Scott Silvey, dari Virginia Commonwealth University di Richmond, dan ColeAces Moal, dan dari Virginia Commonwealth di Universitas Commonwealth di Richmond, dan Richmond. Kematian dalam kohort yang mendaftarkan pasien rawat inap dengan sirosis secara global. Data penerimaan hari digunakan untuk memprediksi kematian rawat inap. Kohort yang dibersihkan prospektif termasuk 7.239 pasien rawat inap dengan sirosis dari 115 pusat: 22,5, 41, dan 34 persen milik negara-negara berpenghasilan rendah/rendah (L-LMIC), negara-negara pendapatan menengah atas (UMIC), dan negara berpenghasilan tinggi (HIC), masing-masing.

Secara keseluruhan, 11,1 persen pasien meninggal di rumah sakit. Para peneliti menemukan area terbaik di bawah kurva (AUC) dengan RF (0,815), dengan kalibrasi tinggi, yang secara signifikan lebih baik daripada model logistik parametrik dan model LASSO (AUC, 0,774 dan 0,787, masing -masing). RF tetap lebih baik daripada regresi logistik terlepas dari tingkat pendapatan negara (AUC, 0,806, 0,867, dan 0,768 untuk masing-masing HIC, UMIC, dan L-LMIC). Validasi eksternal dilakukan dalam kohort 28.670 veteran, yang memiliki kematian rawat inap 4 persen. Menggunakan model RF yang diturunkan yang dibersihkan, AUC adalah 0,859.

"Model pembelajaran mesin ini yang memiliki representasi global yang adil dapat bermanfaat dalam prognostikasi cepat pasien yang dirawat di rumah sakit dengan sirosis," tulis penulis.

Abstract/Full Text (subscription or payment may be required)

Disclaimer: Statistical data in Artikel medis memberikan tren umum dan tidak berkaitan dengan individu. Faktor individu dapat sangat bervariasi. Selalu cari nasihat medis yang dipersonalisasi untuk keputusan perawatan kesehatan individu.

Sumber: Healthday

Diposting : 2025-07-25 06:00

Baca selengkapnya

Penafian

Segala upaya telah dilakukan untuk memastikan bahwa informasi yang diberikan oleh Drugslib.com akurat, terkini -tanggal, dan lengkap, namun tidak ada jaminan mengenai hal tersebut. Informasi obat yang terkandung di sini mungkin sensitif terhadap waktu. Informasi Drugslib.com telah dikumpulkan untuk digunakan oleh praktisi kesehatan dan konsumen di Amerika Serikat dan oleh karena itu Drugslib.com tidak menjamin bahwa penggunaan di luar Amerika Serikat adalah tepat, kecuali dinyatakan sebaliknya. Informasi obat Drugslib.com tidak mendukung obat, mendiagnosis pasien, atau merekomendasikan terapi. Informasi obat Drugslib.com adalah sumber informasi yang dirancang untuk membantu praktisi layanan kesehatan berlisensi dalam merawat pasien mereka dan/atau untuk melayani konsumen yang memandang layanan ini sebagai pelengkap, dan bukan pengganti, keahlian, keterampilan, pengetahuan, dan penilaian layanan kesehatan. praktisi.

Tidak adanya peringatan untuk suatu obat atau kombinasi obat sama sekali tidak boleh ditafsirkan sebagai indikasi bahwa obat atau kombinasi obat tersebut aman, efektif, atau sesuai untuk pasien tertentu. Drugslib.com tidak bertanggung jawab atas segala aspek layanan kesehatan yang diberikan dengan bantuan informasi yang disediakan Drugslib.com. Informasi yang terkandung di sini tidak dimaksudkan untuk mencakup semua kemungkinan penggunaan, petunjuk, tindakan pencegahan, peringatan, interaksi obat, reaksi alergi, atau efek samping. Jika Anda memiliki pertanyaan tentang obat yang Anda konsumsi, tanyakan kepada dokter, perawat, atau apoteker Anda.

Kata kunci populer