机器学习模型的比较分析,用于预测败血症患者急性肝损伤的预测
Xiaochi Lu1, Yi Chen1, Gongping Zhang1
1Department of Emergency Medicine, Lishui Municipal Central Hospital, Lishui, China.
Journal of emergencies, trauma, and shock
|July 29, 2024
概括
这项研究开发了一种机器学习模型,用于预测毒症患者的急性肝损伤 (ALI). 轻GBM模型准确地识别高风险个体,帮助早期干预以获得更好的结果.
科学领域:
- 临床医学 临床医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 急性肝损伤 (ALI) 是败血症的常见和严重并发症.
- 败血症患者的ALI与不良的临床结果有关.
- 在败血症中对ALI的预测工具对于及时管理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测住院败血症患者的ALI风险.
- 确定与败血症中ALI发展相关的关键临床变量.
- 为医疗保健专业人员创建一个实用的工具来评估ALI风险.
主要方法:
- 使用了3196名败血症患者的医疗记录,用于模型开发和内部验证 (第一队列).
- 采用机器学习算法,比较9个模型来选择表现最佳的模型.
- 使用单独的患者队列 (队列2) 外部验证了最佳模型.
主要成果:
- 轻GBM模型在第1队列中实现了0.841的AUC,在第2队列中达到0.815.
- 关键的ALI预测因素包括糖尿病,充血性心力衰竭,前血时间,心率和血小板计数.
- 基于验证的模型创建了一个在线预测工具.
结论:
- 轻GBM模型有效预测住院败血症患者的ALI风险.
- 这种预测模型可以支持临床决策,并有可能改善患者管理.
- 开发的工具为医疗保健提供者提供了评估ALI风险的实际应用.
