多中心开发和eCARTv5的未来验证:一个渐变增强的机器学习早期预警得分

科学领域:

• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用
• 对患者进行监测.

背景情况:

• 早期发现临床恶化对于改善患者的治疗结果至关重要.
• 现有的早期预警分数经常使用后勤回归,缺乏强有力的验证,特别是在子组中.
• 需要先进的机器学习模型来准确和可靠地识别患者衰退.

研究的目的:

• 开发和前性验证一个渐变增强机器模型,eCARTv5,用于识别住院患者的临床恶化.
• 将eCARTv5的性能与MEWS和NEWS等既有得分进行比较.
• 确保模型在不同患者人口统计和临床条件的有效性.

主要方法:

• 一项多中心观察性研究,涉及成人住院患者的回顾性和前性数据.
• 使用渐变增强树算法开发和验证人口统计,生命体征,文档和实验室值.
• 通过使用接收器操作特征曲线 (AUROC) 下面的面积,将eCART与修改的早期预警分数 (MEWS) 和国家早期预警分数 (NEWS) 进行比较.

主要成果:

• 在追溯验证中,eCART模型表现出优异的性能,AUROC为0.835,与NEWS (0.766) 和MEWS (0.704) 相比.
• 在前性验证期间和各种患者子组中,eCART保持了高性能 (AUROC ≥0.80).
• 该模型准确地预测了重症监护室转移或24小时内死亡的情况.

结论:

• 开发的eCART模型在追溯和前性验证中显著优于NEWS和MEWS.
• 在不同患者群体中eCART的一致性能支持其在临床环境中的实用性.
• 这些发现为FDA批准铺平了道路,使eCART能够用于识别住院病房患者的病情恶化.