抽象的
介绍:关于急性加重预测的研究很少。
目标和目标:本研究旨在通过机器学习方法对大数据进行COPD急性加剧的预测模型。
方法:我们调查了来自签署Kocoss Cohort的594名COPD患者的数据。从队列数据中收集了吸烟状态,肺功能,体重指数和COPD评估测试(CAT)得分。我们将患者与韩国健康保险数据库合并的信息。合并症,医疗保健利用,中度至2008年至2012年间的严重加剧和COPD药物。我们还收集了日常空气污染水平,温度,湿度和风速。收集了关于呼吸道病毒活动的数据。预测模型由深度学习方法和统计方法开发。利用深神经网络(DNN),随机森林和广义估计方程(GEE)。
结果:曲线下的面积(AUC)值,用于预测急性加重的预测是随机森林方法(0.8722),然后是GEE(0.8617)和DNN(0.8493)。随机森林(0.8613),敏感性最高(0.8613),然后是DNN(0.8000)和GEE(0.7613)。在GEE分析中,女性,猫评分,FEV1(%),前一年的恶化数量,使用支气管扩张剂,哮喘病史,流感和人冠状病毒与急性加剧显着相关。
结论:采用机器学习方法,利用大数据建立COPD急性加重预测模型。与GEE相比,机器学习模型的AUC和敏感性更高。
脚注
将本文引用:欧洲呼吸期刊2020;56:提供。64,4911。
这个摘要是在2020年国际大会上举行的“”前Covid-19“时代的呼吸道病毒”。
这是一个国际国会摘要。没有全文版本。伴随伴随这个摘要的其他材料可以在www.ers-education.org(仅限成员访问)。
- 版权所有©作者2020