相关实验视频
Updated: Jun 18, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
163
基于机器学习的可解释模型的开发和验证,通过完整的血细胞参数来预测败血症
Tiancong Zhang1,2,3, Shuang Wang1,2,3, Qiang Meng1,2,3
1Department of Laboratory Medicine, West China Hospital, Sichuan University, Chengdu, Sichuan, 610041, China.
Heliyon
|July 31, 2024
概括
早期的败血症检测至关重要. 使用完整血细胞 (CBC) 参数的机器学习模型有效预测败血症,LASSO模型在识别有风险的患者方面显示出高准确性.
科学领域:
- 医疗信息学 医疗信息学
- 临床病理学 临床病理学
- 医疗保健中的机器学习
背景情况:
- 败血症是一种危及生命的传染病,死亡率高.
- 早期发现和及时干预对于改善患者的治疗结果至关重要.
- 完整血细胞 (CBC) 参数为败血症评估提供了一个易于获得的数据源.
研究的目的:
- 开发和验证用于早期毒症检测的临床预测模型.
- 利用机器学习算法来分析CBC参数.
- 为了确定预测败血症发病的关键CBC参数.
主要方法:
- 利用了西中国医院的572名患者 (215例败血症,357例局部感染) 的数据.
- 分析了57个CBC参数,使用LASSO,RF,SVM和XGBoost进行特征选择.
- 开发了一个物流回归模型,并使用AUC,校准和发现和验证队伍的决策曲线评估性能.
- 雇佣的SHAP和BD配置文件用于模型解释性.
主要成果:
- 基于LASSO的模型实现了最高的诊断性能.
- 在发现队列中达到0.9446的AUC,在验证队列中达到0.9001 (P < 0.001).
- LY-Z,MO-Z和PLT-I被确定为对败血症预测最有影响力的CBC参数.
结论:
- 使用CBC参数的预测模型对于早期毒症检测是有效的.
- 机器学习提高了常规血液检测的实用性,用于重症监护诊断.
- 这种方法为及时识别和管理败血症提供了一个有希望的工具.
