机器学习用于预测血动力学病人的恶化中介风险肺栓塞在重症监护室的患者

科学领域:

• 肺部医学 肺部医学
• 密集护理医学 密集护理医学
• 医疗保健中的机器学习

背景情况:

• 与一般病房患者相比,ICU中的中等风险肺栓塞 (PE) 患者面临更高的血液动力学恶化的风险.
• 早期识别风险患者对于及时干预和改善结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测中等风险PE的ICU患者的血液动力学恶化.
• 为了简化ML模型的实际临床应用,并将其性能与现有分数进行比较.

主要方法:

• 来自MIMIC-IV数据库的704名中等风险PE患者的回顾性分析.
• 开发ML模型,包括极端梯度增强 (XGBoost) 模型,使用全面的患者变量.
• 使用ROC曲线,校准图和决策曲线分析来评估模型性能;用于特征解释性的SHapley添加式解释 (SHAP).

主要成果:

• 简化的XGBoost模型实现了0.866的AUC,在重新校准后改进到0.885.
• 该模型与简化肺栓塞严重性指数得分相比,显示出优异的预测性能.
• 基于简化的XGBoost模型开发了一个基于临床使用的Web应用程序.

结论:

• 一个简化的XGBoost模型准确地预测了中等风险PE的ICU患者的血液动力学恶化.
• 开发的模型和相关的网络应用程序可以帮助临床医生为这些高风险患者制定个性化管理策略.