可解释的机器学习模型用于预测怀疑尿路感染的患者的关键结果,具有积极的尿液培养

科学领域:

• 紧急医疗 紧急医疗
• 在医疗保健中的数据科学.
• 关键护理医学 关键护理医学

背景情况:

• 尿路感染 (UTI) 是急诊室 (ED) 访问和住院的常见原因.
• 现有的研究已经确定了尿路感染败血症的危险因素,但缺乏对死亡率或ICU转移等关键结果的强有力的预测模型.
• 需要可解释的机器学习 (ML) 模型来识别ED中高风险的尿路感染患者.

研究的目的:

• 开发和评估可解释的ML模型,用于预测成年尿路感染患者向ED提出的关键结果.
• 将ML模型的性能与传统的临床决策规则 (CDR) 进行比较.

主要方法:

• 从MIMIC-IV-ED数据库中对成人尿路感染患者的回顾性分析.
• 使用选定变量开发XGBoost,随机森林 (RF) 和支持矢量机 (SVM) 模型.
• 模型的验证使用70%/30%的火车/验证分割,比较XGBoost的AUC与传统模型和CDR.

主要成果:

• 这项研究包括来自3235名独特患者的3622次尿路感染访问.
• 在33%的培训组和32.9%的验证组中出现了关键结果 (在12小时内住院死亡或ICU转移).
• XGBoost实现了0.833的最高曲线下面积 (AUC),超过了RF (0.814) 和SVM (0.799).

结论:

• 与传统的CDR相比,机器学习模型,特别是XGBoost,在预测ED中尿路感染患者的关键结果方面表现优异.
• 这些ML模型提供了一个有前途的工具,用于提高在紧急情况下的风险分层和临床决策.
• 建议进一步进行前性验证并将其纳入临床实践.