在脑内出血患者中预测ICU再接收风险:使用MIMIC数据库的机器学习模型的见解
Jinfeng Miao1, Chengchao Zuo1, Huan Cao1
1Department of Neurology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, No.1095 Jiefang Avenue, Wuhan 430030, China.
Journal of the neurological sciences
|December 26, 2023
概括
机器学习模型可以预测脑内出血 (ICH) 患者的重症监护室 (ICU) 再入院情况. 关键预测因素包括水脑,性别,中性粒细胞,格拉斯哥昏迷度表 (GCS),氧和度 (SpO2) 和肌水平.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 关键护理医学 关键护理医学
背景情况:
- 脑内出血 (ICH) 是一种严重的中风亚型,死亡率高,并发症频繁.
- 虽然急性ICH管理得到了充分的研究,但导致重症监护室 (ICU) 再入院的因素不太了解.
- 这项研究解决了关于ICU重招患者ICU重招预测因素的知识差距.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测脑内出血 (ICH) 患者的ICU再入院情况.
- 为了确定关键的临床因素,显著影响ICU重收的可能性在ICH幸存者ICU重收.
主要方法:
- 利用了MIMIC-III和MIMIC-IV数据库中的2242名ICH患者的回顾性数据.
- 采用递归特征消除与交叉验证 (RFECV) 来识别重要的预测因素.
- 开发并验证了四个ML模型:AdaBoost,RandomForest,LightGBM和XGBoost,使用SHapley添加式扩展 (SHAP) 来解释特征.
主要成果:
- 在ICU重收率为9.6% (MIMIC-III) 和10.6% (MIMIC-IV).
- 轻GBM型号实现了最高的性能,其AUC为0.736.
- 由SHAP分析确定的显著预测因素包括水脑,性别,中性粒细胞,格拉斯哥昏迷表 (GCS),氧和度 (SpO2) 和肌素.
结论:
- 该LightGBM模型显示了预测ICU再入院在ICH患者的希望.
- 识别的临床因素,如水头和GCS对于再接收风险评估至关重要.
- 结果可以帮助优化患者护理和ICU资源分配,并呼吁进行前性验证.
