一种机器学习模型,用于早期和准确地预测公开传播的血管内凝血,在它进展到公开阶段之前
Yutaka Umemura1,2, Naoki Okada1,3, Hiroshi Ogura2
1Division of Trauma and Surgical Critical Care, Osaka General Medical Center, Osaka, Japan.
Research and practice in thrombosis and haemostasis
|September 2, 2024
概括
早期预测败血症引起的传播性血管内凝血 (DIC) 是至关重要的. 一个机器学习模型在预测公开的DIC方面表现出很高的准确性,超过了传统的评分系统.
科学领域:
- 医疗信息学 医疗信息学
- 血液学 血液学 血液学
- 关键护理医学 关键护理医学
背景情况:
- 抗凝药疗法对晚期败血症诱导的散布性血管内凝血 (DIC) 具有有限的益处.
- 开口DIC代表了晚期凝血障碍,需要早期检测方法.
- 早期预测败血症引起的DIC对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于在败血症患者中早期预测明显传播的血管内凝血 (DIC).
- 将机器学习模型的预测性能与已建立的DIC诊断标准进行比较.
主要方法:
- 一项追溯观察性研究,涉及没有明显DIC的成年败血症患者.
- 使用基线和时间序列数据的光梯度增强机算法开发预测模型.
- 在测试和验证队列中使用灵敏度,特异性和接收器运行特征曲线 (AUC) 下的面积来评估模型性能.
主要成果:
- 机器学习模型在败血症诊断7天内实现了明显DIC的高预测准确性 (AUC在测试中为0.867,在验证中为0.851).
- 该模型与日本急性医学协会 (JAAM) 的DIC标准和ISTH的败血症引起的凝血病标准相比,显示出更高的灵敏度和特异性.
- 在912名败血症患者中,139人在7天的预测窗口内发展出明显的DIC.
结论:
- 机器学习模型提供了一个有希望的方法,用于早期和准确的预测败血症引起的DIC.
- 开发的模型可以帮助临床医生识别高风险患者进行主动管理.
- 早期预测DIC可能会改善治疗策略和患者存活率.
