Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
* These authors contributed equally
Hier beschreiben wir einen interpretierbaren Workflow des maschinellen Lernens für drei auf das Ergebnis bezogene Aufgaben bei akuter Cholangitis: die Vorhersage von Sepsis auf der Allgemeinstation, die Vorhersage der intraoperativen Mortalität auf der Allgemeinstation sowie die Vorhersage der 28-Tage-Mortalität auf der Intensivstation. Der Workflow integriert die Auswahl von Merkmalen, den Modellvergleich, die SHAP-Interpretation, Regressionsanalysen und die Erstellung von Nomogrammen.
Diese Studie untersuchte Faktoren, die mit Sepsis bei akuter Cholangitis assoziiert sind, und entwickelte ausgabespezifische Modelle für Sepsis und Mortalität. Wir analysierten retrospektiv Daten von 1.999 Patienten aus zwei Zentren, darunter 1.561 Patienten, die auf allgemeinen Stationen aufgenommen wurden, und 438 auf der Intensivstation (ICU). Für jede Vorhersageaufgabe wurden die Daten im Verhältnis 7:3 in Trainings- und interne Validierungsstichproben aufgeteilt. Es wurden logistische Regressionsmodelle (LR), Random-Forest- (RF), Support-Vektor-Maschinen- (SVM) und Extreme-Gradient-Boosting- (XGBoost)-Modelle entwickelt und verglichen, und zur Interpretation wurden Shapley-Additive-Erklärungen (SHAP) verwendet. Bei 544 Patienten auf allgemeinen Stationen (34,85 %) und 299 ICU-Patienten (68,3 %) trat eine Sepsis auf. Die logistische Regression erzielte die höchste AUC bei der internen Validierung für die Vorhersage von Sepsis auf allgemeinen Stationen (0,826; AUC im Training: 0,893). Die Sepsis war mit einer schlechteren Überlebensrate während des Krankenhausaufenthalts in der Kohorte der allgemeinen Station und einer schlechteren 28-Tage-Überlebensrate in der ICU-Kohorte assoziiert. Das Nomogramm zur Vorhersage der 28-Tage-Mortalität auf der ICU beinhaltete den Acute-Physiology-Score III (APS III), Hämoglobin (Hb), Alaninaminotransferase (ALT), Laktat (Lac), Gesamtbilirubin (TBil), Albumin, Sepsisstatus und Nierenschädigung und erreichte eine AUC von 0,840. Das Nomogramm zur Vorhersage der intra-hospitalen Mortalität auf allgemeinen Stationen beinhaltete Albumin, Nierenschädigung, Sepsisstatus, Blut-Harnstoff-Stickstoff (BUN), TBil und Aspartat-Aminotransferase (AST) und erreichte eine AUC von 0,904. Die intern validierten Modelle zeigten eine vorläufige Diskriminierungsfähigkeit für die ausgabespezifische Risikostratifizierung. Eine prospektive, multizentrische externe Validierung ist vor einer klinischen Implementierung erforderlich.
Akute Cholangitis ist eine potenziell lebensbedrohliche Infektion der Gallenwege, die durch eine Obstruktion der Gallenwege und eine bakterielle Proliferation verursacht wird1. Erstmals 1877 von Charcot als „Leberfieber“ beschrieben, zeigt sich das klassische Krankheitsbild als Charcot-Trias: Fieber, Schmerzen im rechten oberen Bauchquadranten und Gelbsucht. Bei schwerer Erkrankung kann sich die Reynolds-Pentade manifestieren, die Hypotonie und veränderten Bewusstseinszustand hinzufügt2. Zu den häufigen Ursachen zählen Choledocholithiasis, Gallengangsstenosen, biliäre Tumoren und parasitäre Obstruktionen; die Choledocholithiasis ist für etwa die Hälfte der Fälle verantwortlich1. Die Obstruktion der Gallenwege führt zu einer Stase der Galle und erhöhtem intraduktalem Druck, wodurch die epitheliale Barriere der Gallenwege beeinträchtigt wird, bakterielle Translokation begünstigt und Entzündungen ausgelöst werden3. Die Gesamtmortalität liegt zwischen etwa 2,7 % und 10 %, kann bei schwerer Erkrankung jedoch bis zu 50 % erreichen4. Bei schwerer akuter Cholangitis können Bakterien und Endotoxine in die Blutbahn gelangen und systemische Entzündungen sowie eine Sepsis auslösen.
Sepsis ist gekennzeichnet durch eine lebensbedrohliche Organdysfunktion, die durch eine dysregulierte Wirtsreaktion auf eine Infektion verursacht wird und zu einem Multiorganversagen fortschreiten kann5. Weltweit wird geschätzt, dass jährlich etwa 48,9 Millionen Sepsis-Fälle auftreten, und sepsisbedingte Todesfälle machen ungefähr 19,7 % aller Todesfälle aus6. Trotz Fortschritten in der Notfall- und Intensivmedizin bleibt die Letalität der Sepsis erheblich7. Die Tokyo-Leitlinien 2018 (TG18) werden häufig zur Diagnose und Schweregradeinteilung einer akuten Cholangitis verwendet2. Allerdings bleibt die Identifizierung einer begleitenden Sepsis und die Vorhersage ungünstiger Verläufe weiterhin herausfordernd14. Verbesserte Ansätze zur Risikostratifizierung könnten daher dabei helfen, Patienten zu identifizieren, die einer genaueren Beurteilung bedürfen.
Frühere Studien haben hämatologische Parameter sowie Messgrößen der Leber- und Nierenfunktion als mögliche Marker für Schweregrad und Prognose der akuten Cholangitis identifiziert8. Der Sequential Organ Failure Assessment (SOFA)-Score wird häufig zur Quantifizierung von Organfunktionsstörungen verwendet und besitzt prognostischen Wert bei Sepsis9. Der Acute Physiology Score III (APS III), die Komponente der akuten Physiologie im APACHE-III-Score, fasst physiologische Auffälligkeiten zusammen und trägt zur Abschätzung des Sterblichkeitsrisikos bei auf der Intensivstation behandelten Patienten bei10. Begleiterkrankungen wie kardiovaskuläre Erkrankungen, Diabetes mellitus und chronische Lebererkrankungen können das Risiko für ungünstige Verläufe weiter erhöhen11. Dennoch bleibt die Evidenz bezüglich prognosespezifischer Vorhersagemodelle für Sepsis und Mortalität bei akuter Cholangitis begrenzt.
Maschinelles Lernen wurde zunehmend auf strukturierte klinische Daten angewandt, um komplexe Muster zu erkennen und die Risikoeinschätzung zu unterstützen12,13. Entsprechend entwickelten und intern validierten wir interpretierbare Modelle des maschinellen Lernens für drei unterschiedliche Aufgaben: die Vorhersage von Sepsis auf Normalstationen, die Vorhersage der intra-hospitalen Mortalität auf Normalstationen sowie die Vorhersage der 28-Tage-Mortalität auf der Intensivstation. Wir verglichen LR, RF, SVM und XGBoost und verwendeten SHAP, um die Wichtigkeit der Merkmale zu quantifizieren und individuelle Vorhersagen zu erklären. Ziel war es, die spezifische Vorhersagegenauigkeit für verschiedene Endpunkte sowie die Interpretierbarkeit der Modelle zu bewerten, nicht jedoch ein System zur klinischen Entscheidungsfindung einzurichten. Bevor diese Modelle für den routinemäßigen klinischen Einsatz in Betracht gezogen werden können, ist eine prospektive, multizentrische externe Validierung erforderlich.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die vorliegende Studie wurde gemäß den Grundsätzen der Deklaration von Helsinki durchgeführt. Die Genehmigung wurde vom Ethikkomitee des Binhai County People's Hospital erteilt (Genehmigungsnummer: 2024-BHKYLL-055).
Methodik
Patienten
Wir rekrutierten retrospektiv 1.999 Erwachsene, bei denen zwischen Januar 2020 und August 2024 an zwei Zentren – dem Binhai County People's Hospital und dem Huai'an Second People's Hospital – eine akute Cholangitis diagnostiziert wurde. Von diesen Patienten wurden 1.561 auf allgemeinen Stationen behandelt und 438 auf die Intensivstation aufgenommen. Das Studienprotokoll wurde vom Ethikkomitee des Binhai County People's Hospital genehmigt (Genehmigungsnummer 2024-BHKYLL-055). Bei jedem Teilnehmer oder einem gesetzlich bevollmächtigten Vertreter wurde eine schriftliche informierte Einwilligung eingeholt.
Die Patienten waren berechtigt, wenn (1) bei ihnen eine ärztlich bestätigte Diagnose einer akuten Cholangitis vorlag, (2) sie 18 Jahre oder älter waren und (3) vollständige Krankenakten und Nachsorge-Daten für das relevante Ergebnis vorlagen.
Patienten wurden ausgeschlossen, wenn sie (1) ein gleichzeitig bestehendes Malignom aufwiesen, das voraussichtlich die Überlebenszeit erheblich beeinträchtigen würde, (2) nicht in der Lage waren, eine informierte Einwilligung abzugeben, oder (3) beim Follow-up verloren gingen.
Klinische Datenerhebung und Nachuntersuchung
Die klinischen Merkmale und Laborbefunde wurden retrospektiv aus den Krankenakten des Binhai County People's Hospital und des Huai'an Second People's Hospital extrahiert. Zu den demografischen und anamnestischen Variablen gehörten Geschlecht, Alter, kardiovaskuläre Erkrankungen, Diabetes, Hepatitis, Zirrhose, Hyperlipidämie und Schlaganfall. Die ersten nach der Aufnahme auf die allgemeine Station oder auf die Intensivstation verfügbaren Laborwerte umfassten die Leukozytenzahl (WBC), Thrombozytenzahl (PLT), Hämoglobin (Hb), Albumin, Natrium, Kalium, Chlorid, Laktat (Lac), Gesamtbilirubin (TBil), Alaninaminotransferase (ALT), Aspartataminotransferase (AST), Kreatinin (CR) und Harnstoffstickstoff (BUN). Erfasste therapeutische Maßnahmen umfassten die Platzierung eines biliären Stents, die endoskopische retrograde Cholangiopankreatikografie (ERCP) und die perkutane Drainage. Die Einschätzung des Schweregrads der Erkrankung beinhaltete den SOFA-Score, APS III sowie die Notwendigkeit einer maschinellen Beatmung. Blutproben wurden mit standardisierten automatisierten Laborverfahren bearbeitet. Patienten, die lebend entlassen wurden, wurden bei Bedarf mittels ambulanter Vorstellung oder telefonischer Kontaktaufnahme weiterbetreut. Der Sepsiszustand wurde während des gesamten Krankenhausaufenthalts gemäß den Sepsis-3-Kriterien bewertet; die Sepsisgruppe umfasste daher sowohl Patienten mit Sepsis bei Aufnahme als auch solche, bei denen sich eine Sepsis später entwickelte. Da der genaue Zeitpunkt des Sepsisbeginns nicht bekannt war und die Dauer des Krankenhausaufenthalts im endgültigen Modell für die Sepsis auf der allgemeinen Station berücksichtigt wurde, konnte für dieses Modell kein einheitlicher prospektiver Vorhersagezeitpunkt zum Zeitpunkt der Aufnahme festgelegt werden. Es sollte daher als retrospektives Modell zur Risikostratifizierung während des Krankenhausaufenthalts interpretiert werden.
Ergebnis
Die Studie bewertete drei verwandte, aber unterschiedliche Vorhersageaufgaben. Das primäre Ergebnis war der Sepsiszustand während des Krankenhausaufenthalts bei Patienten auf allgemeinen Stationen mit akuter Cholangitis, wie mittels der Sepsis-3-Kriterien bestimmt. Die sekundären Ergebnisse waren die Gesamtmortalität im Krankenhaus in der Kohorte der allgemeinen Station, definiert als Tod vor der Entlassung, sowie die Gesamtmortalität innerhalb von 28 Tagen in der Intensivkohorte, definiert als Tod innerhalb von 28 Tagen nach Aufnahme auf die Intensivstation.
Statistische Analyse
Die Verteilung jeder stetigen Variablen wurde mithilfe des Shapiro-Wilk-Tests überprüft. Normalverteilte Variablen wurden als Mittelwert ± Standardabweichung angegeben und mittels des t-Tests für unabhängige Stichproben verglichen; dabei wurde der Welch-t-Test verwendet, wenn die Annahme der Varianzhomogenität nicht erfüllt war. Nicht normalverteilte Variablen wurden als Median und Interquartilabstand (IQR) dargestellt und mittels des Wilcoxon-Rangsummentests verglichen. Kategoriale Variablen wurden als Häufigkeiten und Prozentsätze angegeben und entsprechend mittels Chi-Quadrat- oder Fishers exaktem Test verglichen. Alle Tests waren zweiseitig, und ein P < 0,05 galt als statistisch signifikant.
Die Patienten wurden je nach Vorliegen oder Nichtvorliegen einer Sepsis stratifiziert. Bei der Allgemeinstation-Kohorte wurde eine multivariable logistische Regression verwendet, um Faktoren zu identifizieren, die mit einer Sepsis assoziiert sind; die Ergebnisse werden als Odds Ratios (ORs) mit 95 % Konfidenzintervallen (CIs) angegeben. Kaplan-Meier-Kurven und Log-Rank-Tests wurden verwendet, um das Überleben im Krankenhaus bei der Allgemeinstation-Kohorte und das 28-Tage-Überleben bei der ICU-Kohorte zwischen Patienten mit und ohne Sepsis zu vergleichen. Cox-Regressionen mit proportionalen Hazards wurden separat für die beiden Kohorten berechnet, und die Ergebnisse werden als Hazard Ratios (HRs) mit 95 % CIs angegeben.
Es wurden vier sukzessive angepasste Cox-Modelle erstellt. Modell 1 war unadjustiert. Modell 2 wurde um Alter und Geschlecht adjustiert. Modell 3 wurde zusätzlich um Hypertonie, Diabetes, Herzinsuffizienz, Schlaganfall und Nierenschaden adjustiert. Bei der Allgemeinstationskohorte wurde Modell 4 weiter um Leukozyten (WBC), Hämoglobin (Hb), Thrombozyten (PLT), Albumin, Kreatinin (CR), Harnstoff (BUN), AST, ALT, Natrium, Kalium, Chlorid und Laktat (Lac) adjustiert. Bei der ICU-Kohorte enthielt Modell 4 zusätzlich APS III und SOFA, da diese Schweregrade-Scores nur für auf der Intensivstation behandelte Patienten verfügbar waren.
Für jede Vorhersageaufgabe wurde ein fester Zufallsstartwert von 500 verwendet, um den entsprechenden Datensatz mit vollständigen Fällen im Verhältnis 7:3 in Trainings- und interne Validierungsstichproben aufzuteilen. Alle Verfahren zur Merkmalsauswahl wurden ausschließlich in der Trainingsstichprobe durchgeführt; die interne Validierungsstichprobe wurde nicht für die Auswahl der Prädiktoren herangezogen. Innerhalb der Trainingsstichprobe kamen die LASSO-Regression mit 10-facher Kreuzvalidierung und der Boruta-Algorithmus zum Einsatz, um Kandidaten-Prädiktoren zu identifizieren. Bei LASSO wurden Prädiktoren mit von null verschiedenen Koeffizienten bei lambda.min beibehalten. Boruta wurde unabhängig voneinander für bis zu 5.000 Iterationen ausgeführt. Die resultierenden Kandidaten-Prädiktoren wurden einheitlich verwendet, um für jede Aufgabe vier Modelle zu entwickeln: LR, RF, SVM und XGBoost. Binäre klinische Variablen wurden als 0 oder 1 codiert. Vor dem Anpassen von LR, RF oder XGBoost wurde keine manuelle Normalisierung oder Transformation vorgenommen. Die Skalierung für LASSO und SVM erfolgte gemäß den Standardeinstellungen der jeweiligen Software-Implementierungen, und die aus der Trainingsstichprobe abgeleiteten Vorverarbeitungsparameter wurden unverändert auf die interne Validierungsstichprobe angewendet. Weder Oversampling, noch Undersampling, noch die Technik des synthetischen Minderheiten-Oversamplings (SMOTE) oder manuell festgelegte Klassengewichtungen kamen zum Einsatz. Das leistungsstärkste Modell wurde als das Modell definiert, das unter den vier vorab festgelegten Implementierungen die höchste Gesamtleistung in der internen Validierung erzielte, und nicht als vollständig optimierte Version jedes einzelnen Algorithmus. Die an der Trainingsstichprobe angepassten Modelle wurden anschließend an der internen Validierungsstichprobe evaluiert. Der komplette Arbeitsablauf ist in Supplementary Figure 1 dargestellt, und Einzelheiten zur Implementierung finden sich in Supplementary Table 1.
Die Modellleistung wurde anhand der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC), Sensitivität, Spezifität, Rückrufquote, F1-Score und Genauigkeit bewertet. Die AUC fasst die Diskriminierung über alle möglichen Klassifizierungsschwellenwerte zusammen, wobei 0,5 keiner Diskriminierung und 1,0 einer perfekten Diskriminierung entspricht. Am ausgewählten Schwellenwert wurden die richtig positiven (TP) und richtig negativen (TN) Fälle korrekt als positive bzw. negative Fälle klassifiziert, während falsch positive (FP) und falsch negative (FN) Fälle inkorrekt klassifiziert wurden. Die Sensitivität, die bei binärer Klassifizierung der Rückrufquote entspricht, wurde berechnet als TP/(TP + FN); die Spezifität als TN/(TN + FP); die Präzision als TP/(TP + FP); der F1-Score als 2 × Präzision × Rückrufquote/(Präzision + Rückrufquote); und die Genauigkeit als (TP + TN)/(TP + TN + FP + FN). Die positiven Klassen waren Sepsis (kodiert als 1) für das Sepsis-Vorhersagemodell auf der Allgemeinstation, In-Hospital-Tod (kodiert als 1) für das In-Hospital-Mortalitätsmodell auf der Allgemeinstation und Tod innerhalb von 28 Tagen (kodiert als 1) für das 28-Tage-Mortalitätsmodell auf der Intensivstation. Die entsprechenden negativen Klassen waren das Fehlen einer Sepsis, lebendige Entlassung und Überleben nach 28 Tagen (alle kodiert als 0).
Vier überwachte maschinelle Lernalgorithmen wurden ausgewählt, um komplementäre Strategien für strukturierte klinische Daten darzustellen. LR diente als interpretierbares Referenzmodell für additive lineare Zusammenhänge. RF repräsentierte ein auf Bagging basierendes Ensemble, das in der Lage ist, nichtlineare Beziehungen und Wechselwirkungen abzubilden und dabei die Varianz zu reduzieren. SVM repräsentierte einen margenbasierten Klassifikator, der nichtlineare Entscheidungsgrenzen in moderat großen Datensätzen berücksichtigen kann. XGBoost repräsentierte einen regularisierten Boosting-Algorithmus, der in der Lage ist, Wechselwirkungen höherer Ordnung und nichtlineare Muster zu erfassen. Alle Algorithmen verwendeten denselben Satz an Prädiktor-Kandidaten und wurden für jede Vorhersageaufgabe in denselben Trainings- und internen Validierungs-Kohorten evaluiert.
Die SHAP-Analyse wurde für das leistungsstärkste Modell jedes Ergebnisses durchgeführt, um die globale Merkmalswichtigkeit zu quantifizieren und individuelle Vorhersagen zu erklären. Die Entwicklung der Nomogramme folgte ergebnisspezifischen Verfahren. Für das Ergebnis Sepsis auf der Allgemeinstation wurden Kandidatenprädiktoren in ein multivariates logistisches Regressionsmodell eingegeben, und Variablen, die statistisch signifikant bei P < 0,05 blieben, wurden in das endgültige Nomogramm integriert. Bei den beiden Sterblichkeitsendpunkten basierte die Aufnahme der Prädiktoren auf den globalen SHAP-Ergebnissen zur Merkmalswichtigkeit der jeweils leistungsstärksten Modelle, ohne zusätzliche, auf p-Werten basierende Ausschlusskriterien.
Während der retrospektiven Datensammlung wurden Datensätze, denen klinische, laborbezogene oder Ergebnisdaten fehlten, die für die jeweilige Analyse erforderlich waren, vor der Aufnahme in den endgültigen Datensatz für die Analyse ausgeschlossen. Ein detailliertes Screening-Protokoll vor der Dateneingabe wurde nicht geführt; daher konnten die Anzahl der aufgrund fehlender Daten ausgeschlossenen Datensätze sowie die ursprünglichen Mustern des Fehlens auf Variablenebene nicht rekonstruiert werden. Der finalisierte Kollektiv der allgemeinen Station (n = 1.561) und der Intensivstation (n = 438) enthielt keine fehlenden Werte für die in den entsprechenden Analysen verwendeten Variablen (0 % fehlend), und es wurde keine statistische Imputation durchgeführt. Alle 1.561 Patienten der allgemeinen Station wurden in die Analysen zu Sepsis und In-Hospital-Sterblichkeit einbezogen, und alle 438 ICU-Patienten wurden in die Analyse der 28-Tage-Sterblichkeit einbezogen. Die Variablenkomplettheit auf Ebene der finalisierten Datensätze ist in Supplementary Table 2 angegeben.
Die Analysen mittels maschinellem Lernen wurden mit der Plattform für Analysen mittels maschinellem Lernen durchgeführt. Konventionelle statistische Analysen wurden mithilfe einer Open-Source-Umgebung für statistisches Rechnen und statistischer Software durchgeführt. Alle statistischen Tests waren zweiseitig, und ein P < 0,05 galt als statistisch signifikant.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Grundlegende Merkmale der Studienkohorten
Die Studie umfasste 1.999 Patienten, die wegen einer akuten Cholangitis hospitalisiert wurden: 1.561 in der Allgemeinstation-Gruppe und 438 in der Intensivpflege-Gruppe. In der Allgemeinstation-Gruppe entwickelten 544 Patienten eine Sepsis oder hatten bereits eine, während 1.017 keine Sepsis aufwiesen; in der Intensivpflege-Gruppe hatten 299 Patienten eine Sepsis, 139 nicht. Die basalen Charakteristika, aufgeschlüsselt nach Sepsis-Stat...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Akute Cholangitis ist eine potenziell lebensbedrohliche Infektion der Gallenwege. Obwohl milde Erkrankungsfälle häufig gut auf eine Behandlung ansprechen, kann die berichtete Sterblichkeit bei schweren Verlaufsformen 50 % erreichen1,5. Die Sterblichkeit kann bei Entwicklung eines septischen Schocks bis zu 40 % betragen14. Sepsis weist darauf hin, dass die Infektion nicht mehr auf die Gallenwege beschränkt ist, und kann sich rasch zu einer ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren erklären, dass sie keine konkurrierenden finanziellen oder nichtfinanziellen Interessen haben. ChatGPT (OpenAI) wurde während der Überarbeitung des Manuskripts zur Unterstützung bei der Sprachbearbeitung, Grammatik, Klarheit und Organisation verwendet. Es wurde nicht dazu genutzt, Studiendaten zu generieren oder zu analysieren, oder um unabhängig wissenschaftliche Schlussfolgerungen zu ziehen. Alle inhalte, die mit Hilfe von KI erstellt wurden, wurden von den Autoren kritisch überprüft und verifiziert, die die vollständige Verantwortung für die Genauigkeit, Integrität und Originalität des Manuskripts übernehmen. Einverständnis zur Teilnahme: Von allen Teilnehmern oder deren gesetzlich bevollmächtigten Vertretern wurde schriftlich informierte Einwilligung eingeholt.
Vielen Dank an alle Mitarbeiter an dieser Arbeit für ihre Datenanalyse und das Verfassen des Textes. Förderung: Diese Arbeit wurde unterstützt durch das Kooperative Innovationsforschungsprojekt 2024 des Jiangsu Medical College zwischen Hochschule und lokaler Regierung (202491011,202491007). Changzhou Science and Technology Bureau (CJ20239026, CJ20244028).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Boruta (R-Paket) | [version/CRAN] | Algorithmus zur Merkmalsauswahl, der innerhalb der Trainingskohorte angewendet wird | |
| glmnet / LASSO (R-Paket) | [version/CRAN] | LASSO-Regression mit 10-facher Kreuzvalidierung zur Merkmalsauswahl | |
| R | R Foundation for Statistical Computing | version 4.3.2 | Open-Source-Umgebung für statistische Berechnungen |
| SHAP-Implementierung | [version] | Shapley Additive Explanations zur Modellinterpretation | |
| Stata | StataCorp | version 17.0 | Statistiksoftware für konventionelle Analysen |
| XGBoost-Implementierung | [version] | Extreme Gradient Boosting-Modell | |
| Xsmart-Analyseplattform | [version] | Plattform für maschinelles Lernen zur Analyse |
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.