پیش‌بینی مرگ‌ومیر 30 روزه در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از تنظیم هایپرپارامتر‌های جنگل تصادفی

مقدمه:  نارسایی قلبی یک سندرم کلینیکی است که به دنبال ناهنجاری ساختاری یا عملکردی قلب ایجاد شده و باعث کاهش خون پمپاژ شده یا افزایش فشار داخل قلبی می‌شود. نارسایی قلبی با شوک کاردیوژنیک یک وضعیت اورژانسی با نرخ مرگ‌ومیر بالا است که نیازمند تشخیص و درمان فوری است. پیش‌بینی دقیق مرگ‌ومیر 30 روزه در این بیماران برای ارائه مراقبت‌های به‌موقع و نجات جان بیماران حیاتی است. این مطالعه به بهینه‌سازی الگوریتم جنگل تصادفی با تنظیم هایپرپارامترها برای پیش‌بینی دقیق‌تر مرگ‌ومیر 30 روزه بیماران نارسایی قلبی با شوک کاردیوژنیک می‌پردازد.روش کار: این تحقیق از داده‌های 201 بیمار قلبی بالای 18 سال که در بیمارستان روحانی بابل در سال 1399 دچار شوک کاردیوژنیک شده‌اند، استفاده می‌کند. 34 ویژگی مانند سن، سابقه جراحی قلب باز، ph، لاکتات، دیابت و غیره مورد بررسی قرار گرفت و مرگ یک‌ماهه آن‌ها از طریق تماس تلفنی پیگیری شد.یافته‌ها: نتایج نشان داد با افزایش سن (بیش از 57 سال)، کاهش ph (کمتر از 7.3) و افزایش لاکتات (بیش از 2)، خطر مرگ 30 روزه افزایش می‌یابد. با تنظیم بهینه هایپرپارامترهای الگوریتم جنگل تصادفی (1000 ntree= و mtry=  14)، دقت پیش‌بینی از 0.66% به 71.8% ارتقاء یافت.نتیجه‌گیری: این مطالعه نشان می‌دهد که دقت الگوریتم جنگل تصادفی وابسته به هایپرپارامترها است و با بهینه‌کردن این پارامترها می‌توان پیش‌بینی دقیق‌تری از مرگ‌ومیر بیماران نارسایی قلبی با شوک کاردیوژنیک داشت. این الگوریتم با بهینه‌سازی مناسب، می‌تواند ابزاری کارآمد برای تشخیص زودهنگام بیماران در معرض خطر و ارائه خدمات درمانی به‌موقع باشد.

prediction of 30-day mortality for heart failure patients with cardiogenic shock using random forest hyperparameter tuning

introduction: heart failure is a clinical syndrome resulting from structural or functional abnormalities of the heart, leading to reduced cardiac output or increased intracardiac pressure. when combined with cardiogenic shock, it becomes an emergency condition with a high mortality rate, necessitating immediate diagnosis and treatment. accurate prediction of 30-day mortality in these patients is vital for timely care and patient survival. this study aimed to optimize the random forest algorithm by adjusting hyperparameters to more accurately predict 30-day mortality in heart failure patients with cardiogenic shock.method: in this research, data from 201 cardiac patients aged over 18 years who experienced cardiogenic shock at rouhani hospital in babol in 2020, were used. thirty-four selected features such as age, history of cardiac surgery, ph, lactate levels, diabetes, etc., were examined, and their one-month mortality was tracked through telephone follow-ups.results: the results showed that increasing age (above 57 years), decreasing ph (below 7.3), and elevating lactate levels (above 2) significantly increased the risk of 30-day mortality. by optimizing the hyperparameters of the random forest algorithm (ntree=1000 and mtry=14), prediction accuracy improved from 66.0% to 71.8%.conclusion: this study demonstrates that the accuracy of the random forest algorithm depends on its input hyperparameters and that optimizing these parameters can lead to a more precise prediction of mortality in heart failure patients with cardiogenic shock. with appropriate optimization, this algorithm can serve as an effective tool for the early detection of high-risk patients and timely provision.