基于机器学习的成人严重细菌感染的临床时间序列警告模型:回顾性研究
Jian Liu1, Jia Chen2, Yongquan Dong3
1Department of Intensive Care Unit, the First Affiliated Hospital, College of Medicine, Zhejiang University, Hangzhou, China.
Journal of medical Internet research
|December 18, 2023
概括
这项研究开发了两种临床模型,用于预测发烧患者的严重细菌感染 (SBI). 这些模型利用时间序列数据,显示出早期识别和改善临床决策的前景.
科学领域:
- 医疗信息学 医疗信息学
- 临床决策支持 临床决策支持
- 医疗保健中的机器学习
背景情况:
- 严重的细菌感染 (SBI) 是无计划住院和死亡的重要原因.
- 在出现发烧的患者中,早期和准确地识别SBI对于有效的临床管理至关重要.
研究的目的:
- 建立和验证在感染性发烧患者中识别SBI的临床适用模型.
- 为了利用机器学习技术来进行特征选择和模型开发.
主要方法:
- 从945名感染性发烧患者的临床和实验室数据的回顾性收集.
- 机器学习算法的应用 (Boruta,Lasso,RFE) 用于特征选择.
- 使用后勤回归,随机森林和XGBoost进行预测模型的开发和验证,包括时间序列分析和名ogram绘图.
主要成果:
- 69.9%的患者有SBI;关键预测因素包括年龄,血红蛋白,中性粒细胞与淋巴细胞的比例,纤维素和C反应蛋白.
- 使用后勤回归,开发了两个时间序列模型 (早期入院和24小时内入院).
- 在24小时内预测的逻辑回归模型实现了AUC为0.780,准确度为0.754,灵敏度为0.776.
结论:
- 开发的临床时间序列警告模型在预测感染性发烧患者的SBI方面是有效的.
- 这些模型显示出增强临床决策的潜力,并在前性多中心研究中进一步验证.
