ギャップを明らかにする:測定されていないイオンのための機械学習モデル

科学分野:

• クリティカルケア・メディシン
• 生理学 生理学とは
• バイオケミストリー バイオケミストリー

背景:

• 測定されていないイオン (UI) は,重症患者の酸塩バランスに著しく影響します.
• 現在の推定方法 (AGc,SIG,BEGap) は,最適な有用性が不確実である.
• 精確なUI評価は,酸塩系干渉の管理に不可欠です.

研究 の 目的:

• UIsの推定のための伝統的な,スチュワート,および分割ベース超過 (BE) のアプローチの説明性能を比較する.
• 動脈のpHの決定因子としてのBEGap,SIG,AGcの有用性を評価する.
• 機械学習を用いた分析モデルの汎用性を評価する.

主な方法:

• 開発 (2274人の患者) と検証 (1202人の患者) のコホートによる遡及的なコホート研究.
• 多変量線形回帰と機械学習 (RF,XGBoost,SVR) を用いた伝統的な,スチュワート,分割 BE アプローチの評価.
• モデルパフォーマンスの評価は,調整されたR2,RMSE,MAE,および変数の重要性メトリック (SHAP,パルミュテーション) を介して行われます.

主要な成果:

• 分割されたBEアプローチは,MLR (調整R2 = 0.949) とML分析 (R2 0.989まで) で最高の説明性能を示しました.
• BEGapは一貫して動脈のpHの強力な独立した決定因子として登場し,すべてのモデルでSIGとAGcを上回った.
• XGBoostは,機械学習モデルの中で最も安定で正確なパフォーマンスを示しました.

結論:

• BEGapは,UIの評価のための実用的で,生理学的に情報的で,ベッドサイドに適用可能なパラメータです.
• BEGapは,重症患者の線形および非線形分析モデルにおいて,AGcとSIGの両方を上回ります.
• 分割されたBEのアプローチ,特にBEGapは,UIによって引き起こされる酸塩干渉に関する優れた洞察を提供します.