An efficient machine learning framework to identify important clinical features associated with pulmonary embolism.
An efficient machine learning framework to identify important clinical features associated with pulmonary embolism.
复制标题
DOI：
10.1371/journal.pone.0292185
复制
发表时间：
2023
期刊：
影响因子：
3.7
通讯作者：
中科院分区：
文献类型：
--
作者：
肺栓塞（PE）的误诊可能导致严重后果，如残疾或死亡。在临床实践中，准确识别PE的关键临床特征至关重要，以及时识别可能无症状出现的潜在PE患者，并防止将PE误诊为具有呼吸困难或胸痛等症状的患者的哮喘加重。然而，可靠地识别这些重要特征可能具有挑战性，因为许多因素影响PE以复杂方式发展的可能性（例如，这些因素之间的相互作用）。为了解决这个困难，我们提出了一个使用深度神经网络（DNN）模型和基于置换的特征重要性测试（PermFIT）过程的有效框架，即，PermFIT-DNN。我们将PermFIT-DNN框架应用于哮喘急性发作患者PE研究的数据分析。我们的分析结果表明，PermFIT-DNN框架可以鲁棒地识别用于分类PE状态的关键特征。识别的重要特征也可以帮助准确预测PE风险。
A misdiagnosis of pulmonary embolism (PE) can have severe consequences such as disability or death. It’s crucial to accurately identify key clinical features of PE in clinical practice to promptly identify potential PE patients who may present asymptomatically, and to prevent misdiagnosing PE as asthma exacerbation in patients with symptoms like dyspnea or chest pain. However, reliably identifying these important features can be challenging due to many factors influencing the likelihood of PE development in complex fashions (e.g., the interactions among these factors). To address this difficulty, we presented an effective framework using the deep neural network (DNN) model and the permutation-based feature importance test (PermFIT) procedure, i.e., PermFIT-DNN. We applied the PermFIT-DNN framework to the analysis of data from a PE study for asthma exacerbation patients. Our analysis results show that the PermFIT-DNN framework can robustly identify key features for classifying PE status. The important features identified can also aid in accurately predicting the PE risk.
登录
查看更多内容
影响因子：
120.7
作者：
Couturaud, Francis;Bertoletti, Laurent;Leroyer, Christophe
通讯作者：
Leroyer, Christophe
影响因子：
--
作者：
Heit, JA;Mohr, DN;Melton, LJ
通讯作者：
Melton, LJ
影响因子：
32.8
作者：
Bengio, Yoshua
通讯作者：
Bengio, Yoshua
影响因子：
1.9
作者：
Mi, Xinlei;Zou, Fei;Zhu, Ruoqing
通讯作者：
Zhu, Ruoqing
在住院的患者中为医院获得的肺栓塞建造风险预测模型。
DOI：
10.1177/10760296211040868
发表时间：
2021-01
期刊：
Clinical and applied thrombosis/hemostasis : official journal of the International Academy of Clinical and Applied Thrombosis/Hemostasis
影响因子：
--
作者：
Hou L;Hu L;Gao W;Sheng W;Hao Z;Chen Y;Li J
通讯作者：
Li J