التفاصيل البيبلوغرافية
| العنوان: |
Evaluation von Entscheidungsbaummodellen des maschinellen Lernens für das akute Leberversagen nach Reanimation. (German) |
| Alternate Title: |
Evaluation of decision-tree models of machine learning for the prediction of acute liver failure after resuscitation. (English) |
| المؤلفون: |
Luckscheiter, A., Zink, W., Thiel, M., Viergutz, T. |
| المصدر: |
Anaesthesiologie & Intensivmedizin; Sep2022, Vol. 63 Issue 9, p350-361, 12p |
| مصطلحات موضوعية: |
LIVER failure -- Risk factors, CARDIOPULMONARY resuscitation, DECISION trees, MACHINE learning, RISK assessment, CARDIAC arrest, DESCRIPTIVE statistics, DECISION making in clinical medicine, SENSITIVITY & specificity (Statistics), RECEIVER operating characteristic curves, ODDS ratio, ACUTE diseases, SECONDARY analysis |
| مصطلحات جغرافية: |
BELGIUM |
| Abstract (English): |
Background: Patients after cardiac arrest developing acute liver failure (ALF) show higher fatality rates and worse outcomes. As machine learning is able to support physicians in their decision-making with the help of big data in health records, the aim of this study is to evaluate decision-tree models for the prediction of ALF after resuscitation. Patients and methods: The study is a secondary analysis of 347 Belgian patients after successful resuscitation from 2007 to 2015, whose anonymised dataset was published under the Creative Common Attribution Licence. For machine learning, a J48 decision-tree model as well as its AdaBoost variation and a random forest model were created. Evaluation was performed by sensitivity, specificity, positive / negative predictive value (PPV / NPV) and by the area under the receiver operator curve (AUC-ROC). Results: 184 patients (53 %) developed ALF after resuscitation. The main split points in J48 were the attributes international normalised ratio ad admission (INR, threshold 1.48) and total bilirubin ad admission (threshold 0.99 mg/dl). Further splitting was performed in chronic renal and heart failure, administered amount of epinephrine during resuscitation, and the use of beta-lactam antibiotics. J48 yielded a sensitivity of 0.8 and a specificity of 0.72 (0.73 PPV / 0.79 NPV, AUCROC 0.83). AdaBoost yielded a comparable sensitivity (0.79) and a higher PPV (0.75) and specificity (0.74, NPV 0.77, AUC-ROC 0.85). Random forest reached a sensitivity of 0.86 (PPV 0.74) and a specificity of 0.74 (NPV 0.84, AUC-ROC 0.87). The random forest achieved a significantly higher test quality in AUCROC than the other models. Conclusion: Machine learning with decision-tree models seems to be suitable for the prediction of ALF after resuscitation. The clinical risk of developing ALF could be increased in conditions with elevated INR and total bilirubin, chronic renal and heart failure as well as prolonged resuscitation. Based on the applied attributes and developed models, further studies in large cohorts could lead to an advancement of the prediction models and therefore support physicians in diagnosis and decision-making. [ABSTRACT FROM AUTHOR] |
| Abstract (German): |
Hintergrund: Maschinelles Lernen kann mithilfe digitaler Gesundheitsdaten Prognosemodelle für die frühzeitige Entstehung von Organinsuffizienzen erstellen. Ziel der Studie ist es, Entscheidungsbaummodelle für die Vorhersage des akuten Leberversagens (ALF) nach Reanimation zu evaluieren, da ein solches mit erhöhter Letalität und einer schlechteren Gesamtprognose assoziiert ist. Patienten und Methodik: Mittels Sekundäranalyse von 347 Patienten einer belgischen Kohorte der Jahre 2007 - 2015, deren anonymisierter Datensatz unter der Creative Common Attribution Licence veröffentlicht wurde, wurden ein Random Forest (RF)- sowie ein J48-Entscheidungsbaummodell erstellt und letzteres zusätzlich mittels AdaBoost verstärkt. Die Evaluation erfolgte mittels Sensitivität, Spezifität, positivem und negativem prädiktivem Wert (PPV / NPV) sowie der Fläche unter der Receiver-Operator-Kurve (AUC-ROC). Ergebnisse: 184 (53 %) Patienten wiesen ein ALF auf. Der J48-Baum teilte sich hauptsächlich an den Aufnahmewerten von International Normalized Ratio (INR, Grenzwert 1,48) und Gesamtbilirubin (Grenzwert 0,99 mg/dl) auf. Weitere wichtige Knoten waren die chronische Nieren- und Herzinsuffizienz, Adrenalinmenge während der Reanimation und Betalaktamgabe (Sensitivität 0,8, PPV 0,73, Spezifität 0,72, NPV 0,79, AUCROC 0,87). AdaBoost verringerte die Sensitivität auf 0,79 bei Steigerung der PPV auf 0,75 und der Spezifität auf 0,74 (NPV 0,77, AUC-ROC 0,85). RF erzielte eine Sensitivität von 0,86 (PPV 0,74) bei einer Spezifität von 0,74 (NPV 0,84) und hatte verglichen zu den anderen Modellen eine signifikant höhere AUC-ROC (0,88). Schlussfolgerung: Maschinelles Lernen mittels Entscheidungsbaummodellen scheint für die Vorhersage eines ALF nach Reanimation geeignet. Auf Basis der verwendeten Attribute und errechneten Modelle könnten weiterführende Studien an größeren Kohorten zur Weiterentwicklung von Prognosemodellen führen und so in der frühzeitigen Diagnostik und Entscheidungsfindung unterstützen. Klinisch gesehen könnten nach einer prolongierten Reanimation initial erhöhte INR- und Bilirubinwerte, Herz- und Niereninsuffizienz das Risiko für die Entwicklung eines akuten Leberversagens erhöhen. [ABSTRACT FROM AUTHOR] |
|
Copyright of Anaesthesiologie & Intensivmedizin is the property of DGAI e.V. - Deutsche Gesellschaft fur Anasthesiologie und Intensivmedizin e.V. and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| قاعدة البيانات: |
Complementary Index |
