可解释的机器学习模型用于预测患有的重症监护病房患者的90天死亡
Yingfang She1, Liemin Zhou1, Yide Li2
1Neurology Center, The Seventh Affiliated Hospital of Sun yat-sen University, Shenzhen, China.
Seizure
|November 30, 2023
概括
这项研究开发了一种机器学习模型,用于预测重症监护室 (ICU) 患者的死亡风险. 该模型准确地识别高风险个体,帮助临床医生制定个性化治疗策略,以改善结果.
科学领域:
- 关键护理医学 关键护理医学
- 神经学 神经学
- 医疗保健中的机器学习
背景情况:
- 进入重症监护室 (ICU) 的患者面临着严重的死亡风险.
- 准确的预后工具对于指导及时有效的临床干预至关重要.
研究的目的:
- 开发和验证基于机器学习的模型,用于预测ICU患者的死亡风险.
- 为临床医生提供可靠的预后工具,用于个性化治疗规划.
主要方法:
- 从MIMIC IV (培训) 和eICU-CRD (测试) 数据库中获取的临床数据被用于治疗急症室入院后24小时内患者.
- 根据患者的特征进行了特征选择和处理.
- 开发了六个机器学习模型,LightGBM因其卓越的性能和可解释性而被选中.
主要成果:
- 轻GBM模型在训练套件上获得了0.956的AUC,并表现出强大的外部验证,精度为0.898和AUC为0.781.
- 死亡率的关键预测因素包括整体严重性疾病得分 (OASIS),心率和体温.
- 该模型的性能突显了其在ICU患者管理中的临床决策支持潜力.
结论:
- 一个机器学习模型有效预测了ICU患者的死亡风险.
- 这种预后工具可以帮助临床医生识别高风险患者.
- 基于模型预测的个性化治疗策略可能会改善患者的预后和结果.


