相关实验视频
Updated: Jul 1, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
170
将机器学习应用于血液计数数据预测了急症监护室入院的败血症
Daniel Steinbach1, Paul C Ahrens1, Maria Schmidt1
1University Institute for Laboratory Medicine, OWL University Hospital of Bielefeld University, Detmold, Germany.
Clinical chemistry
|March 2, 2024
概括
使用完整血清 (CBC) 诊断的新型机器学习模型可以预测非重症监护室患者的败血症. 该模型为早期毒症检测提供了强大且易于使用的工具,提高了患者的安全性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床诊断 临床诊断 临床诊断
背景情况:
- 及时诊断败血症对于有效治疗至关重要.
- 现有的用于败血症预测的机器学习 (ML) 模型往往复杂且应用有限.
- 这项研究的重点是开发一种ML模型,仅使用完整血清 (CBC) 诊断.
研究的目的:
- 开发和验证用于早期败血症预测的机器学习模型,使用随时可用的全血细胞计 (CBC) 参数.
- 通过外部验证,评估模型在非重症监护室 (非ICU) 设置中的性能及其稳定性.
- 为了比较基于CBC的模型的有效性,与一个包含前素 (PCT) 预测败血症的模型进行比较.
主要方法:
- 通过使用患者年龄,性别和CBC参数 (血红蛋白,血小板,MCV,WBC,RBC) 训练了一个增强的随机森林模型.
- 数据收集来自德国的第三级护理中心 (2014-2021年),并使用来自另一个中心的数据和MIMIC-IV数据库进行外部验证.
- 为了进行比较分析,还训练了一种包含前素 (PCT) 的额外模型.
主要成果:
- 仅使用CBC模型的AUROC为0.872,外部验证的AUROC为0.805和0.845.
- 结合PCT的模型显示,与单独PCT (0.790) 相比,AUROC (0.857) 更高.
- 分析了超过 130 万份实验室请求,确定了 2016 年的败血症病例.
结论:
- 常规CBC结果,当与ML分析时,可以显著提高非ICU患者的败血症诊断.
- 开发的CBC模型在外部验证中表现出高度的稳定性,促进了早期败血症预测.
- 在临床决策支持系统中实施可以提供关键的时间优势,提高患者安全.
