相关实验视频
Updated: Jun 19, 2025
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
机器学习用于预测患有败血症的成年危急病患者的死亡率:系统性审查
Nasrin Nikravangolsefid1, Swetha Reddy2, Hong Hieu Truong3
1Division of Nephrology and Hypertension, Department of Medicine, Mayo Clinic, Rochester, MN, USA; Division of Pulmonary and Critical Care Medicine, Department of Medicine, Mayo Clinic, Rochester, MN, USA.
机器学习模型在预测败血症相关死亡率方面提供了适度的改进. 然而,高偏差和异质性限制了这些发现对于败血症预测的确定性.
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
- 生物统计学 生物统计学
背景情况:
- 机器学习 (ML) 模型越来越多地用于预测与败血症相关的死亡率.
- 需要进行系统审查,以评估ML模型在败血症死亡率预测中的方法.
研究的目的:
- 系统地审查和评估用于预测成人败血症患者死亡率的ML模型的方法.
- 与传统评分系统相比,评估ML模型的性能.
主要方法:
- 从开始到2024年2月,根据注册的协议,对数据库进行了系统的搜索.
- 包括专家评审的文章,重点是预测严重病情严重的成人败血症患者的死亡率.
- 在包含的研究中进行了数据提取和偏差风险评估.
主要成果:
- 包括31项涉及1,477,200名患者的研究,19项具有高偏差风险.
- 后勤回归和极端梯度提升是最常见的ML模型.
- 机器学习模型的预测性能略高 (AUROC 0.62-0.90) 比传统系统 (AUROC 0.47-0.86) 略高.
结论:
- ML模型在预测败血症相关死亡率方面提供了适度的改进.
- 偏差和异质性的高风险降低了当前发现的确定性.
- 未来的研究需要标准化定义,多中心前性设计和外部验证.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020