Model AI Hutan Rawak Superior untuk Prognostication Kematian Pesakit Dalam Sirosis

Ikuti Drugslib di

oleh Elana Gotkine HealthDay Reporter

melalui HealthDay

Khamis, 24 Julai, 2025 - Bagi pesakit dalam dengan sirosis, model pembelajaran mesin (ML) menggunakan analisis hutan rawak (RF) adalah lebih baik untuk ramalan kematian pesakit, menurut satu kajian yang diterbitkan dalam talian pada 23 Julai dalam gastroenterologi. Kematian pesakit dalam kohort yang mendaftar pesakit dalam sirosis di seluruh dunia. Data hari kemasukan digunakan untuk meramalkan kematian pesakit dalam. Kohort yang dibersihkan prospektif termasuk 7,239 pesakit dalam sirosis dari 115 pusat: 22.5, 41, dan 34 peratus milik negara-negara berpendapatan rendah/rendah (L-LMIC), negara-negara pendapatan menengah atas (UMIC), dan negara berpendapatan tinggi (HIC)

Secara keseluruhan, 11.1 peratus pesakit meninggal dunia di hospital. Para penyelidik mendapati kawasan terbaik di bawah lengkung (AUC) dengan RF (0.815), dengan penentukuran yang tinggi, yang jauh lebih baik daripada regresi logistik parametrik dan model LASSO (AUCS, 0.774 dan 0.787). RF kekal lebih baik daripada regresi logistik tanpa mengira tahap pendapatan negara (AUC, 0.806, 0.867, dan 0.768 untuk HIC, UMIC, dan L-LMIC). Pengesahan luaran dijalankan dalam kohort sebanyak 28,670 veteran, yang mempunyai 4 peratus kematian pesakit dalam. Dengan menggunakan model RF yang dihasilkan, AUC adalah 0.859.

Abstrak/Full Text (langganan atau pembayaran boleh dikehendaki) Artikel menyediakan trend umum dan tidak berkaitan dengan individu. Faktor individu boleh berbeza -beza. Sentiasa dapatkan nasihat perubatan yang diperibadikan untuk keputusan penjagaan kesihatan individu.

Sumber: HealthDay

Disiarkan : 2025-07-25 06:00

Baca lagi

Penafian

Segala usaha telah dilakukan untuk memastikan bahawa maklumat yang diberikan oleh Drugslib.com adalah tepat, terkini -tarikh, dan lengkap, tetapi tiada jaminan dibuat untuk kesan itu. Maklumat ubat yang terkandung di sini mungkin sensitif masa. Maklumat Drugslib.com telah disusun untuk digunakan oleh pengamal penjagaan kesihatan dan pengguna di Amerika Syarikat dan oleh itu Drugslib.com tidak menjamin bahawa penggunaan di luar Amerika Syarikat adalah sesuai, melainkan dinyatakan sebaliknya secara khusus. Maklumat ubat Drugslib.com tidak menyokong ubat, mendiagnosis pesakit atau mengesyorkan terapi. Maklumat ubat Drugslib.com ialah sumber maklumat yang direka bentuk untuk membantu pengamal penjagaan kesihatan berlesen dalam menjaga pesakit mereka dan/atau memberi perkhidmatan kepada pengguna yang melihat perkhidmatan ini sebagai tambahan kepada, dan bukan pengganti, kepakaran, kemahiran, pengetahuan dan pertimbangan penjagaan kesihatan pengamal.

Ketiadaan amaran untuk gabungan ubat atau ubat yang diberikan sama sekali tidak boleh ditafsirkan untuk menunjukkan bahawa gabungan ubat atau ubat itu selamat, berkesan atau sesuai untuk mana-mana pesakit tertentu. Drugslib.com tidak memikul sebarang tanggungjawab untuk sebarang aspek penjagaan kesihatan yang ditadbir dengan bantuan maklumat yang disediakan oleh Drugslib.com. Maklumat yang terkandung di sini tidak bertujuan untuk merangkumi semua kemungkinan penggunaan, arahan, langkah berjaga-jaga, amaran, interaksi ubat, tindak balas alahan atau kesan buruk. Jika anda mempunyai soalan tentang ubat yang anda ambil, semak dengan doktor, jururawat atau ahli farmasi anda.

Kata kunci yang popular