相关实验视频
Updated: Jul 20, 2025
05:56
A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats
Published on: February 20, 2021
2.1K
开发基于机器学习的预测模型,用于在重症监护病房中与败血症相关的妄想
Yang Zhang1,2, Juanjuan Hu1,2, Tianfeng Hua1,2
1The Second Department of Critical Care Medicine, The Second Affiliated Hospital of Anhui Medical University, Hefei, 230601, Anhui, People's Republic of China.
Scientific reports
|August 4, 2023
概括
一个新的机器学习模型可以预测败血症相关妄 (SAD) 在重症监护室 (ICU) 早期的患者. 这种XGBoost模型改进了传统的评估,有助于预后和患者护理.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 败血症相关妄想 (SAD) 在重症监护室 (ICU) 患者中很常见,并且与更糟糕的结果有关.
- 早期发现SAD对于及时干预和改善患者预后至关重要.
研究的目的:
- 开发和验证基于机器学习的模型,用于早期预测与败血症相关的痴呆症 (SAD).
- 为了比较各种机器学习算法在预测SAD方面的性能.
主要方法:
- 利用MIMIC-IV和eICU-CRD数据库中的数据进行培训和外部验证.
- 用于特征选择的最小绝对收缩和选择操作员 (LASSO) 回归.
- 开发和评估了后勤回归,SVM,决策树,随机森林,XGBoost,k-NN和天真贝叶斯模型.
主要成果:
- 在内部 (AUROC=0.793) 和外部 (AUROC=0.701) 验证中,XGBoost模型表现出卓越的性能.
- 与非SAD患者相比,SAD患者表现出更高的28天ICU死亡率和更长的ICU停留时间.
- 该模型成功预测了传统方法难以评估的患者的SAD.
结论:
- 开发的XGBoost模型为ICU设置中早期SAD预测提供了一个有效的工具.
- 这种预测模型可以帮助临床医生比传统评估更早地识别有风险的患者.
- 该模型的适用性扩展到那些传统的妄想评估具有挑战性的患者.
