使用机器学习预测急性呼吸困扰综合征患者的ICU死亡率:预测ARDS (POSTCARDS) 研究中的严重程度的预测结果和分层

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 急性呼吸困扰综合征 (ARDS) 是一种严重的疾病,在ICU死亡率高.
• 早期预测死亡率对于及时干预和资源分配至关重要.
• 现有的预测模型可能无法充分利用复杂的临床数据.

研究的目的:

• 评估机器学习 (ML) 方法在开发一种多变量模型中对ARDS患者ICU死亡率的早期预测的有效性.
• 将ML模型的性能与ARDS死亡率预测的传统后勤回归进行比较.

主要方法:

• 一项开发,测试和外部验证研究,使用了来自四个潜在的多中心队列中1,303名中度至重度ARDS患者的临床数据.
• 使用物流回归与通过遗传算法,随机森林和极端梯度增强ML技术进行变量选择的预测模型的开发.
• 包括诸如人口统计,并发症,呼吸系统参数,氧化和肺外器官衰竭等预测因素.

主要成果:

• 风险建模确定了ICU死亡率的关键预后因素,包括年龄,癌症,免疫抑制,PaO2 / FiO2比率,启发性平原压力和器官衰竭数量.
• ML方法和后勤回归在预测ICU死亡率方面表现相似 (AUC 0.87).
• 在一个独立的队列中进行的外部验证证实了强大的性能 (AUC 0.91).

结论:

• 机器学习和传统方法都为预测中度至重度ARDS的ICU死亡提供了有希望的模型.
• 需要进一步的研究来确定超越当前临床决定因素的额外严重性标志物.
• 这些模型可以帮助指导ARDS患者的治疗.