使用机器学习评估败血症的SOFA得分轨迹:一种务实的方法来提高死亡率预测的准确性

科学领域:

• 关键护理医学 关键护理医学
• 数字健康数字健康
• 医疗保健中的机器学习

背景情况:

• 长度健康数据,包括每天的顺序器官衰竭评估 (SOFA) 评分,对于严重病情的败血症患者来说,越来越多.
• 败血症评估正在转向评估个体疾病轨迹.
• 机器学习 (ML) 提供了一种有前途的方法来增强每日SOFA分数动态的分析.

研究的目的:

• 评估ML算法是否可以比传统的ΔSOFA得分更准确地预测败血症患者的30天死亡率.
• 评估ML算法在分析日常SOFA分数动态以预测死亡率方面的性能.

主要方法:

• 利用SepsisDataNet.NRW队列 (252名患者) 训练ML算法,包括支持矢量机 (SVM) 和人工神经网络 (aNN).
• 使用阿姆斯特丹UMC数据库 (1,790名患者) 进行独立的外部验证.
• 将ML模型的预测准确度与30天死亡率的传统 ΔSOFA 评分进行了比较.

主要成果:

• 使用前七天SOFA评分的SVM和aNN模型在预测30天死亡率方面显示出明显更高的准确性 (AUC分别为0.84和0.82),而不是 ΔSOFA评分 (AUC0.73).
• 机器学习模型的预测优势在较短的时间间隔 (例如1至3天) 中更加明显.
• 所有发现都经过独立验证,证实了ML方法的稳定性.

结论:

• 使用每日SOFA分数的基于ML的算法显著提高了与传统 ΔSOFA 分数相比,在败血症中死亡率预测的准确性.
• 这种ML方法为评估个体败血症疾病轨迹提供了一个有希望的,自动化的方法.
• 机器学习算法显示出在重症监护病房中的强大和可泛化的支持工具的潜力.