基于机器学习的模型用于预测临界肺栓塞的死亡率和急性损伤

科学领域:

• 医疗信息学医学信息学
• 计算生物学是一种计算生物学.
• 临床预测模型的临床预测模型.

背景情况:

• 临界肺栓塞 (PE) 具有显著的死亡风险.
• 准确的预后评估对于指导治疗和资源分配至关重要.
• 现有的风险评分可能需要改进,以实现最佳的患者分层.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于临界肺栓塞 (PE) 患者的风险分层.
• 预测30天所有原因的死亡率在关键的PE.
• 将ML模型的性能与传统方法进行比较.

主要方法:

• 利用了MIMIC-IV数据库,包括1229名患有严重PE的患者.
• 应用后勤回归 (LR) 和简化的极端梯度提升 (XGBoost) 用于模型构建.
• 开发了使用前8个预测变量的简化模型,并评估了歧视和校准.

主要成果:

• 简化的XGBoost模型在验证队列中显示出优异的歧视 (AUC 0.82),相比简化的LR模型 (AUC 0.75).
• XGBoost的表现优于简化的肺栓塞严重性指数 (sPESI).
• 基于XGBoost的风险分类准确地预测了低风险的死亡率,与既定得分保持高度一致.

结论:

• 机器学习模型,特别是XGBoost,可以准确预测关键PE的30天死亡率.
• 这些模型可以帮助优化患者管理,可能减少ICU停留时间.
• 改善风险分层可能会导致临界PE患者的死亡率降低和生活质量提高.