机器学习和临床预测心脏骤停患者的死亡率:综合分析
Łukasz Lewandowski1, Michał Czapla2,3,4, Izabella Uchmanowicz5
1Department of Medical Biochemistry, Wrocław Medical Univeristy, Wrocław, Poland.
概括
预测心脏骤停 (CA) 后的死亡率涉及多个因素. 机器学习确定了前素,年龄,hsCRP,白蛋白和作为关键预测因素,性别和营养状况也影响了结果.
科学领域:
- 关键护理医学 关键护理医学
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 心脏骤停 (CA) 是一个重大的全球公共卫生挑战.
- 了解死亡预测因素对于改善重症监护室 (ICU) 患者的治疗结果至关重要.
研究的目的:
- 通过机器学习,探索 CA 患者的死亡预测因子及其相互作用.
- 确定与各种临床参数相关的死亡率.
主要方法:
- 追溯分析来自ICU的161个CA患者记录.
- 使用随机森林分类器来评估死亡率参数并确定关键预测因素.
- 采用后勤回归模型来调查条件死亡率和变量相互作用.
主要成果:
- 男性的性别与5.68倍的死亡率增加有关.
- 死亡率因体质指数 (BMI) 在 asystole/无脉冲电活动 (PEA) 患者和血清白蛋白在心室动/无脉冲心室动脉 (VF/pVT) 患者调节.
- 预热素 (PCT),年龄,hsCRP,白蛋白和是随机森林分类器确定的前5个预测因素.
结论:
- 在CA后的死亡率受到因素的复杂相互作用的影响,而不是孤立的变量.
- 营养状况指标 (白蛋白,BMI,NRS-2002) 显示出预测死亡率的潜力,特别是当PCT水平升高 (>0.17 ng/ml) 时.
- 最有影响力的个体死亡率预测因素是PCT,年龄,hsCRP,白蛋白和.
