相关实验视频
Updated: Jul 6, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
174
可解释的机器学习模型用于早期预测患有败血症引起的凝血病的ICU患者的28天死亡率:开发和验证
Shu Zhou1, Zongqing Lu2,3, Yu Liu4
1Emergency Internal Medicine, the Second Affiliated Hospital of Anhui Medical University, Hefei, 230601, Anhui, People's Republic of China.
European journal of medical research
|January 4, 2024
概括
这项研究开发了一种可解释的机器学习模型,用于预测败血症诱导凝血病 (SIC) 患者的28天死亡率. XGBoost模型表现出卓越的性能,具有提高SIC患者护理临床实践的潜力.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 败血症引起的凝血病 (SIC) 是败血症的常见并发症,与患者不良结果密切相关.
- 早期识别高风险患者对于及时干预和改善生存率至关重要.
研究的目的:
- 开发和验证一个可解释和可泛化的机器学习 (ML) 模型,用于预测SIC患者28天死亡风险.
- 将开发的ML模型的性能与传统的评分系统进行比较.
主要方法:
- 使用MIMIC-III,MIMIC-IV和eICU-CRD数据库中的数据进行回顾性队列研究.
- 用十倍交叉验证 (RFECV) 消除递归特征确定了28天死亡率的预测因素.
- 使用XGBoost算法构建了预测模型,使用AUROC,AUPRC,精度和F1分数来评估性能.
- 用SHAP和LIME分析来确定模型的可解释性.
主要成果:
- 在内部和外部验证数据集中,XGBoost模型实现了高预测性能 (例如,AUROC从0.828到0.923不等).
- 发现的关键预测因素包括初始SOFA分数,红细胞分布宽度 (RDW) 和年龄.
- 与传统的评分系统相比,该模型表现出了卓越的性能.
结论:
- 成功开发了一种最佳且可解释的ML模型,用于预测SIC患者的28天死亡率.
- XGBoost模型为改善SIC中的临床决策和患者管理提供了一个有前途的工具.
- 该模型的通用性和可解释性支持其广泛临床应用的潜力.
