使用机器学习模型预测心力衰竭患者28天全因死亡率使用机器学习模型:来自MIMIC-IV数据库的证据

科学领域:

• 密集护理医学 密集护理医学
• 传染性疾病 传染性疾病
• 医疗保健中的机器学习

背景情况:

• 心力衰竭 (HF) 可能导致肠道低和缺氧,增加了Clostridioides difficile感染 (CDI) 的风险.
• 有限的现实世界数据存在于HF患者中CDI发展的风险因素.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测在重症监护室 (ICU) 患有HF和CDI的28天全因死亡率.
• 确定这一患者群体中死亡率的关键预测因素.

主要方法:

• 利用MIMIC-IV数据库提取526名患有CDI的高压患者的临床数据.
• 在特征选择中使用递归特征消除与交叉验证 (RFE-CV).
• 训练并评估了9个ML算法,包括随机森林 (RF),使用AUC,准确性和F1得分等指标比较他们的预测性能.

主要成果:

• 该研究包括526名患有CDI的HF患者,28天死亡率为18.8%.
• 射频模型实现了最高的性能,精度为0.821,F1得分为0.596,AUC为0.864.
• 射频模型确定的主要预测因素包括红细胞分布宽度,血液尿素,SAPS II,SOFA和白细胞计数.

结论:

• 开发了有效的ML模型,优于传统的后勤回归,用于预测CDI的HF患者的28天死亡率.
• 推使用射频模型,因为它具有卓越的预测准确性.
• 这些模型可以帮助临床医生识别患有CDI的高风险HF患者,以便及时干预.