可解释的机器学习使用外科手术期间的连续实验室结果来预测外周炎诱导的败血症患者的术后死亡率
Seung Hee Lim1, Min Jeong Kim1, Won Hyuk Choi1
1Department of Surgery, Kangdong Sacred Heart Hospital, Hallym University College of Medicine, Seoul, Korea.
Annals of surgical treatment and research
|November 1, 2023
概括
可解释的机器学习准确地预测了败血症患者的术后死亡率. 这种方法超越了传统的评分系统,为患者的结果提供了更好的洞察力,并为更好的败血症管理指导临床决策.
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:
- 败血症是手术死亡的主要原因.
- 对于败血症预测的现有评分系统在准确性上有局限性.
- 腹膜炎诱导的败血症在术后死亡率预测方面存在独特的挑战.
研究的目的:
- 为了提高预测外周炎相关败血症的术后死亡率的准确性.
- 应用可解释的机器学习算法来提高预测性能.
- 将机器学习模型与SOFA和SAPS等传统评分系统进行比较3.
主要方法:
- 人口,临床和实验室数据的回顾性分析.
- 包括多个时间点测量的三角中性粒细胞指数 (DNI),WBC,中性粒细胞计数和CRP水平.
- 利用机器学习算法和夏普利添加式解释 (SHAP) 来进行模型解释.
主要成果:
- CatBoost机器学习模型实现了死亡率预测的最高曲线下的面积 (AUC) 0.933.
- 这超过了传统的模型:SAPS3 (0.860) 和SOFA (0.867).
- 确定的关键预测因素包括DNI,败血症休克,北上腺素使用,以及在第3天的国际正常化比率升高.
结论:
- 可解释的机器学习显著提高了预测毒症患者术后死亡率的准确性.
- CatBoost模型提供了一种更精确的工具,用于围炎诱导的败血症的风险分层.
- 识别关键预测变量可以提高对败血症并发症的理解和管理.
