相关实验视频
Updated: Jul 15, 2025
05:56
A Reproducible Intensive Care Unit-Oriented Endotoxin Model in Rats
Published on: February 20, 2021
2.1K
使用机器学习模型预测ICU中的败血症发病:系统性审查和元分析
Zhenyu Yang1, Xiaoju Cui2, Zhe Song3
1Kunming Medical University, Kunming, Yunnan, China.
BMC infectious diseases
|September 27, 2023
概括
机器学习有效地预测了败血症的发病. XGBoost和随机森林模型显示了最高的准确性,有助于早期检测和改善患者的治疗结果.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 医疗服务研究 医疗服务研究
背景情况:
- 败血症是一种危及生命的疾病,死亡率高,经济负担高.
- 早期识别败血症对于有效治疗至关重要.
- 机器学习 (ML) 提供了预测败血症发病的潜力.
研究的目的:
- 系统地评估ML模型在预测败血症发病方面的性能.
- 为了确定最准确的ML模型用于早期毒症检测.
主要方法:
- 全面的文献搜索 (Cochrane,PubMed,Embase,科学网) 截至2022年11月.
- 使用PROBAST工具进行偏差风险评估.
- 使用C指数和准确度进行绩效评估,遵循PRISMA指南.
主要成果:
- 包括23项研究,涉及4,314,145名患者和26个ML模型.
- 随机森林和极端梯度提升 (XGBoost) 是最频繁和最准确的.
- XGBoost获得了最高的精度 (0.957) 和C指数 (0.83);随机森林表现出强的表现 (精度0.911,C指数0.79).
结论:
- ML对于早期的败血症预测是有效的.
- XGBoost和随机森林模型显示出卓越的预测性能.
- 对额外的ML方法的进一步研究可能会提高准确性.
