基于实验室参数的医院内心脏骤停早期预测模型的开发

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 住院心脏骤停 (IHCA) 是一个重大的临床挑战,死亡率高.
• 预测IHCA风险对于及时干预和改善患者结果至关重要.
• 常规实验室参数为开发预测模型提供了潜在的资源.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测接受救援治疗的患者的IHCA风险.
• 确定有助于IHCA风险预测的关键实验室参数.
• 在IHCA预测中评估不同ML算法的性能.

主要方法:

• 一项从2016年1月到2020年12月的救援治疗患者的回顾性队列研究.
• 训练和验证五个ML算法 (SVM,随机森林,ETC,决策树,物流回归) 使用血液计数,生物化学和凝血标记.
• 模型性能评估使用五倍交叉验证和通过SHapley添加式扩展 (SHAP) 的解释.

主要成果:

• 额外树木分类器 (ETC) 模型表现出卓越的性能,曲线下的面积 (AUC) 为0.920.
• SHAP分析确定了前列血活性,血小板和血红蛋白作为IHCA的关键预测因素.
• 其他显著的预测因素包括N-终端前脑尿素,中性粒细胞,前血红素时间,血清白蛋白,,激活的部分血栓形成时间和.

结论:

• 成功开发了一种可靠的ML衍生模型,用于预测接受救援治疗的患者的IHCA风险.
• 该模型有效地利用现有的实验室参数进行风险分层.
• 这种方法有助于早期识别高风险患者,并有可能改善管理策略.