MedElevator
Войти в исследования DOI 10.1097/md.0000000000049164
Постгерпетический нервный прогноз риска для госпитализированных пациентов с герпесом-зостером на основе MIMIC-IV.
Аннотация
Постгерпетическая нейронгия (PHN) — осложнение герпеса зостера (HZ). Раннее выявление пациентов с повышенным риском может способствовать целенаправленной профилактике и принятию последующих мер. Мы разработали и сравнили модели машинного обучения для прогнозирования PHN с использованием базы данных " Medical Information Mart " ( < < Медицинская информация для интенсивной терапии IV > > ) и определили ключевые прогнозы. В этом ретроспективном когортном исследовании использовалась система медицинской информации для интенсивной терапии IV v2.2 (2008−2019 годы). С помощью кодов Международной классификации болезней-9/10 (053x или B02.x) были выявлены стационары для взрослых, имеющие HZ. Итогом этого стал ПХН (брачный). К числу потенциальных прогнозов относятся демографические показатели, болеутоляющие фенотипы, коморбиды, лабораторные маркеры и стационарные лекарства; была получена задержка с началом производства противовирусных препаратов ≥ 3 дня (AVdelay3d). Данные были разделены на стратифицированные наборы учебных материалов/подтверждений (70/30). Для категорического подъема, легкого градиентно-боста, экстремального градиентного подъема (XGBoust) и адаптивного повышения была применена пятикратная перекрестная проверка; наименьшее абсолютное сокращение и логистическая регрессия оператора отбора были скорректированы с помощью перекрестного подтверждения. Дискриминация оценивалась в разбивке по районам в соответствии с кривой эксплуатационных характеристик приемного устройства; пороговый показатель оптимальной вероятности определялся путем максимального увеличения индекса Youden. При отборе характеристик использовались Boruta и наименьший абсолютный скидочный и отборочный оператор, дополненный значением характеристик из наиболее эффективной модели. Все модели были проверены собственными силами с использованием одного и того же набора данных, и никакой внешней проверки не проводилось. Из 383 стационаров с ВЗ 81 (21,1 процента) разработала ПХН. XGBoust добился лучшей дискриминации (площадь под кривой эксплуатационных характеристик приемника = 0,737; 95% доверительный интервал: 0,652-0,822). Базовые сопоставления показали, что риск PHN связан с более высоким максимальным показателем боли, AVdelay3d, диабетом, амитриптилиновым использованием, более низким уровнем гематокрита и сильным иммуноусилением (все P < .05). При анализе Боруты подтвержденными важными характеристиками (по порядку убывания) были D-димер, гематокрит, креатинин, AVdelay3d, возраст и количество тромбоцитов. В модели прогнозирования PHN методы на основе деревьев (например, XGBoust) могут эффективно оценивать риск и превосходство PHN линейных моделей. Эти выводы свидетельствуют о том, что патогенез PHN может быть связан со сложными нелинейными взаимодействиями. Базовые сопоставления и анализ характеристик-импорта позволили дополнительно выявить набор основных прогнозов для ПХН, которые служат справочным материалом для раннего выявления пациентов, подверженных повышенному риску, и для внедрения системы управления, стратифицированной с точки зрения риска. Однако результаты следует интерпретировать осторожно, поскольку проводится только внутренняя проверка и отсутствует внешняя проверка.
Название и аннотация на языке оригинала
Postherpetic neuralgia risk prediction in hospitalised patients with herpes zoster based on MIMIC-IV.
Postherpetic neuralgia (PHN) is a disabling complication of herpes zoster (HZ). Early identification of high-risk patients may enable targeted prevention and follow-up. We developed and compared machine-learning models for PHN prediction using the Medical Information Mart for Intensive Care IV database and identified key predictors. This retrospective cohort study used Medical Information Mart for Intensive Care IV v2.2 (2008-2019). Adult inpatients with HZ were identified via International Classification of Diseases-9/10 codes (053.x or B02.x). The outcome was PHN (binary). Candidate predictors included demographics, pain phenotypes, comorbidities, laboratory markers, and inpatient medications; an antiviral initiation delay ≥ 3 days (AVdelay3d) was derived. Data were split into stratified training/validation sets (70/30). Five-fold cross-validation with Bayesian optimization was applied for categorical boosting, light gradient-boosting machine, extreme gradient boosting (XGBoost), and adaptive boosting; least absolute shrinkage and selection operator logistic regression was tuned via cross-validation. Discrimination was assessed by area under the receiver operating characteristic curve; the optimal probability threshold was determined by maximizing the Youden index. Feature selection used Boruta and least absolute shrinkage and selection operator, supplemented by feature importance from the best-performing model. All models were validated internally using the same dataset, and no external validation was performed. Of 383 inpatients with HZ, 81 (21.1%) developed PHN. XGBoost achieved the best discrimination (area under the receiver operating characteristic curve = 0.737; 95% confidence interval: 0.652-0.822). Baseline comparisons showed that PHN risk was associated with a higher maximum pain score, AVdelay3d, diabetes, amitriptyline use, a lower hematocrit level, and severe immunosuppression (all P < .05). In the Boruta analysis, the confirmed important features (in descending order) were D-dimer, hematocrit, creatinine, AVdelay3d, age, and platelet count. In the PHN prediction model, tree-based methods (e.g., XGBoost) can effectively estimate PHN risk and outperform linear models. These findings suggest that the pathogenesis of PHN may involve complex, nonlinear interactions. Baseline comparisons and feature-importance analyses further identified a set of core predictors for PHN, providing a reference for early identification of high-risk patients and for implementing risk-stratified management. However, the results should be interpreted cautiously because only internal validation was performed, and external validation was lacking.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.