相关实验视频
Updated: Jul 21, 2025

07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
249
机器学习用于在重症监护室 (ICU) 患者中早期预测败血症
Abdullah Alanazi1,2, Lujain Aldakhil1,2, Mohammed Aldhoayan1,2
1Department of Health Informatics, College of Public Health and Health Informatics, King Saud Ibn Abdulaziz University for Health Sciences, Riyadh 11481, Saudi Arabia.
Medicina (Kaunas, Lithuania)
|July 29, 2023
概括
早期发现败血症至关重要. 这项研究使用了机器学习对ICU患者数据的研究,发现时间,乳酸和温度是生存分析模型的关键预测因素.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 关键护理医学 关键护理医学
背景情况:
- 早期的败血症检测对于患者的生存至关重要,但仍然具有挑战性.
- 机器学习为改善败血症预测准确性提供了潜力.
- 分析临床数据和生命体征可以帮助早期识别败血症.
研究的目的:
- 研究一种用于早期毒症检测的新型机器学习方法.
- 预测和识别重症监护室 (ICU) 患者的初始败血症症状.
- 用各种预测模型分析生存率和预测结果.
主要方法:
- 使用数据挖掘算法和比例危险模型.
- 分析了成年ICU患者 (≥14岁) 的BESTCare数据库 (KAMC) 的数据.
- 包括2018年4月至10月期间入院的1182名被诊断为败血症的患者.
主要成果:
- 一个回归模型与生存分析表明了适度的预测能力.
- 到结果的时间,乳酸和温度是显著的预测因素 (p < 0.05).
- 其他数据挖掘算法由于独立性假设存在局限性.
结论:
- 对败血症预测模型的持续改进至关重要.
- 细致的数据清理和属性选择是未来进步的基础.
- 机器学习有望提高败血症预测的准确性.

