相关实验视频
Updated: Jul 2, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
170
一种机器学习预测模型,用于医院住院患者的血液感染
Rita Murri1,2, Giulia De Angelis1,3, Laura Antenucci4,5,6
1Dipartimento di Scienze di Laboratorio e Infettivologiche, Fondazione Policlinico Universitario A. Gemelli IRCCS, 00168 Rome, Italy.
Diagnostics (Basel, Switzerland)
|February 24, 2024
概括
这项研究开发了一种机器学习模型,用于预测住院患者的血液感染 (BSI) 风险. 该模型在识别低风险个体,支持抗生素管理方面显示出前景.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 流行病学 流行病学
背景情况:
- 血流感染 (BSI) 对住院患者构成重大威胁.
- 准确的风险分层对于有效的管理和抗生素管理至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于区分BSI的低风险和高风险住院患者.
- 在住院患者群体中确定BSI的关键预测因素.
主要方法:
- 基于2016年1月至2019年12月的住院数据,为疑似BSI患者构建了一个数据商城.
- 用多变量逻辑回归与逐步特征选择和交叉验证来构建预测模型.
- 该模型根据2016-2018年的数据进行了训练,并根据2019年的数据进行了验证.
主要成果:
- 确定了11个BSI的预测因素.
- 预测模型实现了接收器运行特征曲线 (AUROC) 下的面积为0.74.
- 患者被分为低 (14.2% BSI),中 (30.8% BSI) 和高 (64% BSI) 风险组.
结论:
- 开发的机器学习模型在预测BSI风险方面显示出有希望的表现.
- 该模型可以帮助临床医生识别低风险患者,从而支持抗生素管理计划.
- 计算工具和机器学习为感染控制中的临床决策提供了宝贵的支持.
