改善预测:使用堆叠组合模型改善感染性凝血病的ICU患者的住院死亡率预测
Xuhui Liu1,2, Hao Niu3, Jiahua Peng2
1Youjiang Medical University for Nationalities, Baise, China.
Medicine
|April 5, 2024
概括
机器学习模型可以预测败血症诱导凝血病 (SIC) 患者的住院死亡率. 一个堆叠组合模型实现了高准确性,识别了离子间隙和年龄作为改善患者预后的关键风险因素.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 败血症引起的凝血病 (SIC) 与高死亡率和长时间的重症监护室 (ICU) 停留有关.
- 早期识别有住院死亡风险的SIC患者对于改善结果至关重要.
- 预测模型可以帮助及时的临床决策和资源分配.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以动态预测SIC患者住院死亡风险.
- 确定与SIC中死亡率相关的关键临床变量.
- 为了比较各种ML模型对这个预测任务的性能.
主要方法:
- 使用了密集护理IV (MIMIC-IV) 数据库的医疗信息市场,包括3112名SIC患者.
- 采用单变量特征选择来确定20个最关键的变量.
- 开发和评估了10个ML模型,根据曲线下的面积 (AUC) 和置信区间 (CI) 选择了最佳的模型.
- 使用Shapley添加式解释 (SHAP) 值解释了最佳模型.
主要成果:
- 总共有757名 (25%) SIC患者在队列中经历了住院死亡.
- 堆叠组合ML模型显示了最高的预测性能,AUC为0.795 (95%CI:0.763-0.827).
- 阳间隙和患者年龄被确定为SIC患者死亡风险的最重要的预测因素.
结论:
- 一个ML模型,特别是堆叠组合,已成功开发和验证,用于预测SIC患者的住院死亡率.
- 该模型表现出卓越的性能,为风险分层提供了有价值的工具.
- 离子间隙和年龄是影响SIC死亡风险的关键因素,指导未来的临床评估.
