监督机器学习模型预测来自全国多中心注册表的毒性体外膜氧化患者的死亡率

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 现有的模型在预测毒性体外膜氧化 (VV-ECMO) 患者的死亡率方面表现不佳.
• 准确预测死亡率对于优化VV-ECMO治疗中的患者选择和治疗策略至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的预测模型,用于对接受VV-ECMO的患者进行90天的死亡率.
• 将机器学习模型的性能与 RESP 和 PRESERVE 等既有预测工具进行比较.

主要方法:

• 利用了来自368名急性呼吸衰竭患者的数据,这些患者在韩国16家三级医院 (2012-2015) 接受了VV-ECMO治疗.
• 输入功能包括51个可用变量和40个电子健康记录 (EHR) 变量,没有预处理.
• 评估了ML模型,包括极端梯度增强 (XGB) 和轻梯度增强,使用内部和外部验证集.

主要成果:

• 使用EHR和所有可用的功能,XGB和光梯度增强模型实现了高性能 (AUROC分别为0.82和0.81).
• 与RESP (AUROC 0.66) 和PRESERVE (AUROC 0.71) 相比,开发的ML模型显示出更高的区分能力.
• 在外部验证中,XGB模型获得了0.75的AUROC,超过了RESP (0.70) 和PRESERVE (0.67).

结论:

• 机器学习模型在预测VV-ECMO患者90天死亡率方面明显优于传统模型.
• 这些ML模型有可能改善对VV-ECMO的患者选择,识别不太可能从治疗中受益的个体.