一个深度学习模型用于预测重症患者的多抗药生物体感染
Yaxi Wang1, Gang Wang1, Yuxiao Zhao1
1Department of Critical Care Medicine, The Affiliated Hospital of Qingdao University, No. 16 Jiangsu Road, Qingdao, 266000, China.
Journal of intensive care
|November 8, 2023
概括
这项研究开发了一种反向传播神经网络 (BPNN) 模型,用于预测重症监护室 (ICU) 患者的多药耐药生物体 (MDRO) 感染. BPNN模型表现良好,识别了MDRO感染的关键风险因素.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 传染病流行病学 传染病流行病学
背景情况:
- 多种耐药生物体 (MDRO) 感染对重症患者构成重大威胁.
- 预测模型对于在重症监护病房 (ICU) 早期发现和管理MDRO感染至关重要.
研究的目的:
- 开发和验证一个反向传播神经网络 (BPNN) 模型,用于预测ICU患者的MDRO感染.
- 在重症患者中确定与MDRO感染相关的独立风险因素.
主要方法:
- 使用688名ICU患者 (2021年8月至2022年1月) 的数据构建了一个BPNN模型.
- 使用LASSO和逐步回归,确定了独立的风险因素.
- 该模型在238名患者的单独队列 (2022年5月至7月) 上进行了外部验证.
- 用校准曲线和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 确定了MDRO感染的9个独立风险因素,包括住院时间,ICU停留时间,抗生素使用和并发症.
- BPNN模型显示出强大的预测性能,AUC为0.889 (训练),0.919 (测试) 和0.811 (验证).
- 该模型在预测MDRO感染方面表现出良好的校准.
结论:
- 该研究成功地确定了ICU患者中MDRO感染的关键风险因素.
- 开发的BPNN模型是预测MDRO感染的有希望的工具,有助于临床决策.


