通过堆叠组合模型来提高患有败血症相关脑病变的ICU患者的死亡风险的预测
Xuhui Liu1,2, Hao Niu3, Jiahua Peng2
1Baise People's Hospital, Baise, Guangxi Province, China.
The Journal of international medical research
|March 26, 2024
概括
研究人员开发了一种机器学习模型,用于预测败血症相关脑病变 (SAE) 患者死亡风险. 关键预测因素包括格拉斯哥昏迷表和年龄,有助于临床决策.
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
- 神经学 神经学
背景情况:
- 败血症相关脑病变 (SAE) 具有显著的死亡风险.
- 准确预测SAE患者的死亡率对于及时干预至关重要.
- 现有的预测模型可能缺乏通用性.
研究的目的:
- 确定SAE死亡率的预测因素.
- 开发和验证一种新的机器学习 (ML) 模型,用于预测SAE患者的住院死亡率.
- 提高SAE预测模型的通用性.
主要方法:
- 使用MIMIC-IV和eICU数据库进行回顾性队列研究.
- 使用LASSO回归开发九个ML模型和一个堆叠组合模型.
- 模型性能使用接收器操作特征曲线 (AUC) 下的面积来评估;用于可解释性的SHAP算法.
主要成果:
- 该研究包括9943名患者;通过LASSO确定了15个变量.
- 堆叠组合模型在测试组件上达到0.807的AUC,在外部验证中达到0.671.
- SHAP分析确定了格拉斯哥昏迷度量 (GCS) 和年龄作为关键预测变量.
结论:
- 为了预测SAE患者的死亡风险,开发了一种堆叠的整体ML模型.
- 该模型展示了增强的概括能力.
- 开发的模型为预测SAE的住院死亡风险提供了一个工具.
