转移学习支持的结果预测,用于指导儿童败血症患者的CRRT治疗

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 持续置换疗法 (CRRT) 对于败血症管理至关重要,但患者的反应各不相同.
• 预测临床结果对于优化CRRT治疗计划和资源配置至关重要.
• 机器学习 (ML) 提供了识别可能受益于CRRT的患者的潜力.

研究的目的:

• 开发和评估ML模型,以预测CRRT在败血症患者中的益处.
• 通过使用MIMIC III数据,识别最能从CRRT中受益的败血症患者.
• 评估数据增强和转移学习对预测准确性的影响.

主要方法:

• 使用MIMIC III数据库对接受CRRT的败血症患者,包括人口统计和实验室结果.
• 训练过的极端梯度增强 (XGBoost) 模型,有或没有通过c-GAN.数据增强.
• 通过微调模型在较小的儿科败血症队列上应用转移学习.

主要成果:

• 没有增强的XGBoost获得了64.2%的准确性 (AUC-ROC 0.61).
• 用c-GAN增强数据提高了准确度,达到82% (AUC-ROC为0.78).
• 与直接培训相比,转移学习提高了儿科预测 (AUC-ROC 0.76),而直接培训 (AUC-ROC 0.62).

结论:

• 机器学习模型,特别是数据增强模型,可以有效预测CRRT患者的结果.
• 转移学习显著提高了儿科败血症患者的预测准确度.
• ML促进了临床决策在CRRT治疗败血症的管理.