在机器学习模型中评估滑动窗技术在ICU心脏骤停患者死亡率预测中的有效性

科学领域:

• 临界护理医学 临界护理医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 精确预测重症监护室 (ICU) 死亡率,有助于临床决策,为重症患者.
• 电子健康记录 (EHR) 提供动态数据,在患者的ICU停留期间演变.
• 当前的预测模型通常使用固定的时间窗口 (例如24小时),可能会忽视关键的后期数据.

研究的目的:

• 通过使用动态滑动窗技术,提高ICU心脏骤停 (CA) 患者的死亡率预测.
• 通过使用不断变化的EHR数据,调查不同时间窗口选择对预测准确性的影响.
• 为了比较滑窗方法的性能与标准的24小时累积窗口.

主要方法:

• 分析了2331名心脏骤停患者的队列,使用电子健康记录的数据.
• 应用了动态滑动窗口技术来创建六个不同的时间窗口,用于模型训练和验证.
• 使用XGBoost机器学习模型,并将其性能与基线24小时累积窗口进行比较.

主要成果:

• 与基线24小时窗口相比,滑动窗口技术在预测ICU死亡率方面表现优越.
• XGBoost模型实现了最高的预测准确性,30-42小时窗口产生了最佳结果 (AUC=0.8,准确性=0.77).
• 在评估的各种时间窗口中观察到预测性能的显著差异.

结论:

• 动态滑动窗口方法是提高ICU死亡率预测准确性的有效方法.
• 优化数据分析时间窗口的选择对于提高预测效率和准确性至关重要.
• 这些发现可以提高临床团队的效率,通过为高风险人群提供更好的患者优先级和资源配置.