ترجمه فارسی مقاله پیش‌بینی پیشرفته ذات‌الریه مرتبط با ونتیلاتور در بیماران مبتلا به آسیب مغزی تروماتیک با استفاده از تکنیک‌های پیشرفته یادگیری ماشین

چکیده

Background: Ventilator-associated pneumonia (VAP) in traumatic brain injury (TBI) patients poses a significant mortality risk and imposes a considerable financial burden on patients and healthcare systems. Timely detection and prognostication of VAP in TBI patients are crucial to improve patient outcomes and alleviate the strain on healthcare resources. Methods: We implemented six machine learning models using the MIMIC-III database. Our methodology included preprocessing steps, such as feature selection with CatBoost and expert opinion, addressing class imbalance with the Synthetic Minority Oversampling Technique (SMOTE), and rigorous model tuning through 5-fold cross-validation to optimize hyperparameters. Key models evaluated included SVM, Logistic Regression, Random Forest, XGBoost, ANN, and AdaBoost. Additionally, we conducted SHAP analysis to determine feature importance and performed an ablation study to assess feature impacts on model performance. Results: XGBoost outperformed the baseline models and the best existing literature. We used metrics, including AUC, Accuracy, Specificity, Sensitivity, F1 Score, PPV, and NPV. XGBoost demonstrated the highest performance with an AUC of 0.940 and an Accuracy of 0.875, which are 23.4% and 23.5% higher than the best results in the existing literature, with an AUC of 0.706 and an Accuracy of 0.640, respectively. This enhanced performance underscores the models’ effectiveness in clinical settings. Conclusions: This study enhances the predictive modeling of VAP in TBI patients, improving early detection and intervention potential. Refined feature selection and advanced ensemble techniques significantly boosted model accuracy and reliability, offering promising directions for future clinical applications and medical diagnostics research.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف: پنومونی مرتبط با تهویه (VAP) در بیماران آسیب دیدگی مغزی (TBI) خطر مرگ و میر قابل توجهی را به همراه دارد و بار مالی قابل توجهی را برای بیماران و سیستم های مراقبت های بهداشتی تحمیل می کند.تشخیص به موقع و پیش آگهی VAP در بیماران TBI برای بهبود نتایج بیمار و کاهش فشار در منابع مراقبت های بهداشتی بسیار مهم است.مواد و روش ها: ما شش مدل یادگیری ماشین را با استفاده از پایگاه داده MIMIC-III پیاده سازی کردیم.روش ما شامل مراحل پیش پردازش ، مانند انتخاب ویژگی با CatBoost و نظر متخصص ، پرداختن به عدم تعادل کلاس با تکنیک نمونه برداری از اقلیت مصنوعی (SMOTE) و تنظیم مدل دقیق از طریق اعتبار سنجی متقاطع 5 برابر برای بهینه سازی هایپرپارامترها است.مدلهای کلیدی ارزیابی شده شامل SVM ، رگرسیون لجستیک ، جنگل تصادفی ، XGBoost ، Ann و Adaboost.علاوه بر این ، ما تجزیه و تحلیل ShAP را برای تعیین اهمیت ویژگی انجام دادیم و یک مطالعه فرسایش را برای ارزیابی تأثیرات ویژگی بر عملکرد مدل انجام دادیم.نتایج: XGBoost از مدل های پایه و بهترین ادبیات موجود بهتر عمل می کند.ما از معیارهایی از جمله AUC ، دقت ، ویژگی ، حساسیت ، نمره F1 ، PPV و NPV استفاده کردیم.XGBoost بالاترین عملکرد را با AUC 0.940 و دقت 0.875 نشان داد که 23.4 ٪ و 5 /23 ٪ بالاتر از بهترین نتیجه در ادبیات موجود ، با AUC 0.706 و دقت 0.640 به ترتیب.این عملکرد پیشرفته اثربخشی مدل ها در تنظیمات بالینی را تأکید می کند.نتیجه گیری: این مطالعه مدل سازی پیش بینی VAP را در بیماران TBI افزایش می دهد و باعث بهبود پتانسیل تشخیص زودرس و مداخله می شود.انتخاب ویژگی های تصفیه شده و تکنیک های پیشرفته گروه های پیشرفته ، دقت و قابلیت اطمینان مدل را به طور قابل توجهی تقویت می کند ، و راهنمایی های امیدوارکننده ای را برای کاربردهای بالینی آینده و تحقیقات تشخیصی پزشکی ارائه می دهد.