一个基于机器学习的预测模型,用于患有心房的重症患者的住院死亡率

科学领域:

• 临界护理医学 临界护理医学
• 医疗保健中的人工智能
• 心脏病学 心脏病学

背景情况:

• 在重症监护室 (ICU) 设置中,心房动 (AF) 很普遍.
• 在ICU患者中,AF显著增加了医院内死亡率.
• 目前在ICU的AF患者的预测模型有局限性.

研究的目的:

• 开发和验证机器学习模型,用于预测患有AF的ICU患者的住院死亡风险.
• 为了确定一个准确和紧的预测模型的关键特征.

主要方法:

• 使用了密集护理医疗信息中心 (MIMIC) -IV和eICU协作研究数据库 (eICU-CRD) 数据集.
• 与十种不同的机器学习分类器进行了比较,因其卓越的性能而选择了自适应增强 (AdaBoost).
• 开发并验证了一种综合模型和一个具有15个特征的紧模型.

主要成果:

• AdaBoost 模型表现出卓越的预测性能,在训练集中实现了 1.0 的接收器运行特征曲线 (AUC) 下的面积.
• 在MIMIC-IV测试组中,全型和紧型模型的AUC分别为0.978和0.977.
• 外部验证显示全模型的AUC为0.825,紧模型的AUC为0.807.

结论:

• 一个基于AdaBoost的预测模型成功开发和验证.
• 该模型表现出强大的预测能力在ICU患者的医院内死亡风险的AF.
• 这突显了机器学习在改善这种患者群体风险分层方面的潜力.