一个机器学习模型用于重症监护室的早期候选血病预测:临床应用

科学领域:

• 医疗信息学 医疗信息学
• 传染性疾病 传染性疾病
• 临界护理医学 临界护理医学

背景情况:

• 在重症监护室,诊断出白血病是具有挑战性的,延迟治疗会增加死亡率.
• 早期检测对于有效的抗真菌治疗和改善患者存活率至关重要.

研究的目的:

• 开发和验证机器学习预测模型,用于在ICU患者中早期诊断候选血病.
• 使用机器学习算法识别可预测候选血症的关键临床特征.

主要方法:

• 分析了一组来自中国的334名ICU患者 (2015年1月至2022年12月) 和77名患者的外部验证组.
• 使用递归特征消除 (RFE) 和随机森林 (RF) 算法,利用了18个临床特征.
• 内部和外部验证使用7:3培训/测试分割进行,用于模型评估的AUC和SHAP值.

主要成果:

• 射频模型实现了高预测性能,AUC值为0.87 (内部) 和0.83 (外部) 验证.
• 沙普利添加式解释 (SHAP) 分析确定了总胆红素和年龄作为候选血症最重要的预测因素.
• 该模型有效地利用临床数据来准确预测候血症.

结论:

• 开发的机器学习模型为ICU设置中早期检测候选血病提供了一个有前途的工具.
• 准确的预测有助于及时干预,可能降低与候选血病相关的死亡率.
• 临床特征,如总胆红素和年龄,是重症患者候群病风险评估的重要指标.