确定ICU获得的真菌感染的危险因素:使用机器学习的临床证据
Yi-Si Zhao1,2, Qing-Pei Lai3,4, Hong Tang1
1Department of Critical Care Medicine, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in medicine
|May 24, 2024
概括
机器学习使用临床因素准确预测重症监护室 (ICU) 获得的真菌 (ICU-AF). 该模型有助于在重症患者中早期预警和治疗真菌感染.
科学领域:
- 医疗信息学 医疗信息学
- 传染性疾病 传染性疾病
- 关键护理医学 关键护理医学
背景情况:
- 真菌感染在重症监护病房 (ICU) 中存在严重的发病和死亡风险.
- 在ICU获得的真菌 (ICU-AF) 的早期诊断是具有挑战性的.
- 机器学习提供了一种新的方法来预测ICU-AF.
研究的目的:
- 开发和验证早期ICU获得的真菌感染的预测模型.
- 确定与ICU-AF相关的关键临床风险因素.
- 提供证据支持ICU中真菌感染的早期预警和管理策略.
主要方法:
- 对2015年至2019年期间入院于七个ICU的1434名患者进行了回顾性分析.
- 使用随机森林和最小绝对收缩和选择运算符 (LASSO) 进行特征选择,开发ICU-AF的预测模型.
- 确定六个关键的与时间相关的临床参数:动脉导管,肠道营养,皮质类固醇,宽谱抗生素,尿道导管和侵入性机械通风.
主要成果:
- 预测模型的准确性很高,测试组的曲线下面面积 (AUC) 为0.981 (灵敏度为0.960,特异性为0.990).
- 动脉导管和侵入性机械通风的次数独立地与抗真菌治疗风险增加有关.
- 动脉导管的次数是经验性抗真菌治疗的独立风险因素.
结论:
- 六个临床参数 (动脉导管,肠道营养,皮质类固醇,广谱抗生素,尿导管,侵入性机械通风) 对于ICU-AF的早期预警至关重要.
- 开发的机器学习模型可以帮助ICU医生评估敏感患者经验性抗真菌治疗的需要.
- 这种预测工具增强了在重症监护机构早期检测和管理真菌感染的能力.
