换一批基于贝叶斯优化XGBoost的Ⅰ类切口预防用抗菌药物多标签处方点评
Multi-label prescription review for prophylactic use of antibiotics in type Ⅰ incision based on Bayesian optimized XGBoost
摘要目的 本研究构建基于贝叶斯优化XGBoost的Ⅰ类切口预防用抗菌药物多标签处方点评模型,并使用SHAP解释方法分析不同特征的影响,以达到合理进行抗菌药物管理和有效解决抗菌药物的耐药性.方法 数据集来源于2021年11月-2022年10月中国东北某三甲医院Ⅰ类切口手术的临床抗菌药物处方及患者的相关信息,本研究共使用了处方数据、患者数据、手术数据和抗菌药物数据这4种类型的数据,建立多种机器学习模型进行比较,并从中选择效果最好的XGBoost模型,采用分类器链来处理多标签问题,并采用贝叶斯优化算法进行模型优化调参,最后利用SHAP值对模型特征进行解释.结果 GP-XGBoost模型在准确率、精确度、召回率、特异性、F1分数、曲线下面积(AUC)等多项指标上均表现更好,准确率达到0.995,曲线下面积达到0.980.实验验证了使用TF-IDF算法将非结构化文本数据融入预测模型能够有效地提升模型的泛化能力;通过SHAP可解释性分析发现开嘱科室、抗菌药物名称、单次用药剂量、用药疗程、是否集采、用药频度(DDDs)在6个二元分类器中均发挥了重要作用,表明处方点评模型更关注与药物有关的信息.结论 证明了机器学习方法在抗菌药物处方点评中的有效性,而SHAP解释方法可以识别判断不合理处方的重要影响因素,对于抗菌类药物处方的精细化点评、合理化开具以及降低医疗成本具有实际意义.
更多相关知识
关键词
Ⅰ类切口预防用抗菌药物处方点评多标签学习XGBoost贝叶斯优化Type Ⅰ incisionProphylactic antibioticsPrescription reviewMulti-label learningXGBoostBayes-ian optimization
栏目名称
DOI
10.11816/cn.ni.2024-240423
发布时间
2025-02-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（42071273）
大连理工大学中央高校基本科研业务费项目（DUT21YG119）
- 浏览12
- 被引2
- 下载8
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
