臨床データに基づいて,集中治療室 (ICU) のセプシス患者の早期予測のための機械学習

科学分野:

• クリティカルケア医療は,重症治療薬です.
• データサイエンス データサイエンス
• バイオメディカル・インフォマティクス

背景:

• セプシスは,集中治療科 (ICU) の患者の生存に重大な脅威をもたらします.
• 死亡率の早期かつ正確な予測は,タイムリーな介入と患者の管理の改善に不可欠です.
• 機械学習は,予測モデリングのための複雑な臨床データを分析するための有望なアプローチを提供します.

研究 の 目的:

• ICUセプシス患者の28日間の死亡率を予測するための機械学習 (ML) モデルを開発および検証.
• セプシスの死亡率を最も予測できる重要な臨床変数を特定する.
• セプシスの死亡率予測のための様々なMLアルゴリズムのパフォーマンスを評価する.

主な方法:

• セプシス患者からの初期臨床データ,人口統計,生化学マーカー,感染部位,併発症,スコアシステムなどを利用した.
• 特徴の選択のための適用された最小絶対縮小と選択演算子 (LASSO) の回帰.
• 7つのMLアルゴリズムを比較した:適応ブースト,ロジスティック回帰,ランダムフォレスト (RF),K-近隣,ガウスのナイブベイズ,多層のパーセプトン,意思決定ツリー.
• AUC,感度,特異性,精度,およびF1スコアなどのメトリックを使用してモデルパフォーマンスを評価し,解釈可能性のためにSHAPを使用します.

主要な成果:

• 7つの重要な特徴が特定されました:血小板の分布幅と数値の比率,血小板の平均体積,血清クレアチニン,乳酸,D-ダイマー,APACHE IIスコア,呼吸器系感染症.
• ランダムフォレスト (RF) は,評価されたアルゴリズムの中で優れたパフォーマンスを示しました.
• RFモデルは,トレーニングセットではAUCが1.0,検証セットでは0.933,テストセットでは0.900で,高性能メトリックを達成しました.

結論:

• 定期的に収集された臨床データを利用した機械学習モデルは,血栓性感染症患者の28日間の死亡率を正確に予測できます.
• セプシスの死亡率を早期に予測することは可能であり,迅速な臨床意思決定を可能にします.
• 開発されたMLモデルは,セプシスの管理を支援するために,臨床ワークフローに統合する可能性を示しています.