Options
應用機器學習之慢性硬腦膜下出血存活預測
Other Title
Using machine learning models to predict survival of patients with chronic subdural hematoma
Type
thesis
Date Issued
2022-06-28
Author(s)
陳怡蓉
Advisor
許明暉
Subjects
系所名稱：醫學院人工智慧醫療碩士在職專班
Publisher
醫學院人工智慧醫療碩士在職專班
Description
口試委員：徐之昇 HSU, CHIH-SHENG;顏如娟 YEN, JU-CHUAN;許明暉 HSU, MIN-HUEI
開放校內, 開放日期為2022-07-11;校外, 開放日期為2023-07-11
開放校內, 開放日期為2022-07-11;校外, 開放日期為2023-07-11
Abstract
背景：慢性硬腦膜下血腫疾病於65歲以上高齡患者有50%-80%病患有頭部外傷的病史，標準治療方式是進行血腫清除手術，手術成功率高但有0%-32%死亡率。過去文獻多以回歸分析方法提出此疾病的相關風險因子，但少見有應用機器學習做此疾病術後的存活預測模組。
目的：
(1) 、探討術後死亡原因
(2) 、建立存活預測模型
(3) 、比較不同模型的預測結果
(4) 、了解住院診斷關聯群（Taiwan’s Diagnosis-Related Groups, TW-DRGs）是否具備存活預測價值
方法：使用北醫三院資料庫醫療資料共766位成人，80%資料作訓練集，20%資料作測試集，使用SAS軟體進行統計資料分析、使用Python進行特徵選擇、建立機器學習預測模型（預測院內存活、預測六個月存活、預測一年存活）、並以SHAP value解釋各特徵對預測結果的貢獻。
結果：研究發現患有合併症和共病症的死亡病患其死因以惡性腫瘤、心臟疾病、腦血管疾病居前三名，慢性病占全部死因87%；另外，術前住院時間長，營養狀況不佳與高血糖病患也是術後死亡率高的危險因子。在模型預測結果中，預測院內存活結果最好的是Logistic Regression模型，其AUC 0.8893、Accuracy 0.69、Sensitivity 1、Specificity 0.78；預測六個月存活結果最好的是SVM演算法，其AUC 0.8197、Accuracy 0.86、Sensitivity 0.79、Specificity 0.83；預測一年存活結果最好的是KNeighborsClassifier演算法，其AUC 0.7962、Accuracy 0.8、Sensitivity 0.85、Specificity 0.75；在所有特徵中，三種特徵篩選方式於三種預測模型中均篩選出的特徵依序為：BUN、住院診斷關聯群、Glucose、PT、住院日數，顯示住院診斷關聯群（Taiwan’s Diagnosis-Related Groups, TW-DRGs） 除原本單純的批價申報碼以外，在python機器學習演算法中，對模型預測具有其相當重要性。
目的：
(1) 、探討術後死亡原因
(2) 、建立存活預測模型
(3) 、比較不同模型的預測結果
(4) 、了解住院診斷關聯群（Taiwan’s Diagnosis-Related Groups, TW-DRGs）是否具備存活預測價值
方法：使用北醫三院資料庫醫療資料共766位成人，80%資料作訓練集，20%資料作測試集，使用SAS軟體進行統計資料分析、使用Python進行特徵選擇、建立機器學習預測模型（預測院內存活、預測六個月存活、預測一年存活）、並以SHAP value解釋各特徵對預測結果的貢獻。
結果：研究發現患有合併症和共病症的死亡病患其死因以惡性腫瘤、心臟疾病、腦血管疾病居前三名，慢性病占全部死因87%；另外，術前住院時間長，營養狀況不佳與高血糖病患也是術後死亡率高的危險因子。在模型預測結果中，預測院內存活結果最好的是Logistic Regression模型，其AUC 0.8893、Accuracy 0.69、Sensitivity 1、Specificity 0.78；預測六個月存活結果最好的是SVM演算法，其AUC 0.8197、Accuracy 0.86、Sensitivity 0.79、Specificity 0.83；預測一年存活結果最好的是KNeighborsClassifier演算法，其AUC 0.7962、Accuracy 0.8、Sensitivity 0.85、Specificity 0.75；在所有特徵中，三種特徵篩選方式於三種預測模型中均篩選出的特徵依序為：BUN、住院診斷關聯群、Glucose、PT、住院日數，顯示住院診斷關聯群（Taiwan’s Diagnosis-Related Groups, TW-DRGs） 除原本單純的批價申報碼以外，在python機器學習演算法中，對模型預測具有其相當重要性。