[基于监督机器学习算法,构建基于性休克患者死亡风险的预测模型]
Zheng Xie1, Jing Jin2, Dongsong Liu1
1Department of Emergency, Affiliated Hospital of Jiangnan University, Wuxi 214000, Jiangsu, China.
Zhonghua wei zhong bing ji jiu yi xue
|May 30, 2024
概括
一个新的物流回归模型准确地预测了败血症休克患者的28天死亡率. 该模型使用16个关键变量,并优于传统的评分系统,以获得更好的患者结果.
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
- 预测分析是一种预测分析.
背景情况:
- 败血性休克带来了高死亡率的重大威胁.
- 准确预测28天死亡率对于及时干预至关重要.
- 现有的预测模型可能缺乏足够的准确性和歧视性.
研究的目的:
- 开发和验证在败血症休克患者28天死亡率的最佳预测模型.
- 为了比较各种监督机器学习算法的性能.
- 为了确定败血性休克死亡率的关键预测变量.
主要方法:
- 利用了MIMIC-IV v2.0数据库中的3,295名败血症休克患者的数据.
- 采用了五种机器学习算法:CART,RF,SVM,LR和SL.
- 使用LASSO回归,RF和XGBoost确定了最佳预测变量.
主要成果:
- 合并16个变量的物流回归模型在验证集中实现了0.806的AUC.
- 与传统的评分系统 (APS III,SAPS III,SOFA) 相比,该模型显示出更高的性能.
- 关键预测因素包括pH,白蛋白,温度,乳酸盐,肌,,血红蛋白,WBC,年龄,SAPS III,APS III,Na+,BMI和APTT.
结论:
- 使用16个选定的变量进行逻辑回归模型是感染性休克28天死亡率的最佳预测指标.
- 该模型表现出稳定的性能,高分辨能力和精度.
- 这种增强的预测工具可以帮助临床决策进行败血症休克管理.
