XGBoost-based model for predicting PICC occlusion risk in cancer patients: Insights from SHAP analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Peripherally inserted central catheters (PICC) are commonly used in cancer patients, but occlusion is a frequent complication. Early prediction of the occlusion risk can guide timely interventions and improve patient outcomes. This study develops and validates a machine-learning model to predict the PICC occlusion risk in cancer patients using clinical data from electronic medical records. In this retrospective, single-center study, data from cancer patients with PICC lines were analyzed. Three machine learning algorithms—logistic regression, random forest, and XGBoost—were used to predict the occlusion risk. Model performance was evaluated by the area under the receiver operating characteristic curve (AUC). Key risk factors, including patient demographics, clinical conditions, and catheter maintenance practices, were incorporated. XGBoost outperformed the other models, achieving AUC values of 0.909 in the training cohort and 0.759 in the validation cohort. Key predictors of PICC occlusion included catheter duration, electrolyte disturbances, the chemotherapy drug type, and the insertion length. SHAP analysis provided transparent model interpretation. The XGBoost model effectively predicts the PICC occlusion risk and identifies key predictors. While limited by its retrospective design, the study suggests the potential for clinical integration to improve patient outcomes. Further prospective studies are needed. Developed a machine learning model to predict PICC occlusion risk in cancer patients. XGBoost model demonstrated high predictive accuracy (AUC 0.909 in training, 0.759 in validation). Identified key predictors of PICC occlusion: catheter duration, chemotherapy regimen, electrolyte disturbances. SHAP analysis provided transparent insights into feature importance, aiding clinical decision-making. Statistical validation confirmed the significance of key risk factors, supporting personalized patient management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle