基于残留变量和机器学习对患上上部胃肠道出血的危急患者的主要出血的预后:一个多中心研究
Fuxing Deng1, Yaoyuan Cao2, Hui Wang3
1Department of Oncology, Xiangya Hospital, Central South University, 410008 Changsha, China.
Journal of critical care
|October 2, 2024
概括
使用残留数据的机器学习模型可以准确地预测进入重症监护室 (ICU) 的严重上部胃肠道出血患者的重大出血. 这有助于早期识别风险,改善患者的治疗结果.
科学领域:
- 临界护理医学 临界护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 上部胃肠道出血 (UGIB) 是一个主要的全球健康问题,导致严重的发病率和死亡率.
- 预测UGIB重症患者的重大出血事件对于及时干预至关重要.
研究的目的:
- 评估机器学习 (ML) 模型的有效性,其中包含残余变量,用于预测重症UGIB患者入院后重症监护室 (ICU) 严重出血的情况.
- 提高临床应用ML模型的可解释性.
主要方法:
- 利用了来自密集护理IV和eICU数据库的医疗信息中心的数据.
- 开发了传统的ML和长期短期记忆模型,使用ICU前和ICU入院数据,结合剩余变量 (测试结果减去正常范围).
- 采用沙普利增量解释和突出地图来解释模型的可解释性.
主要成果:
- 从2604名患者构建了25个ML模型.
- 使用ICU前残留数据的光梯度增强机器模型实现了0.96的AUC,优于使用直接测试结果的模型.
- 关键的预测因素包括酸氨基转移酶,血液尿素,白蛋白,ICU停留时间和呼吸率.
结论:
- 利用剩余数据的ML模型显著提高了UGIB患者在ICU停留期间大出血的预测准确性和解释性.
- 识别的可解释特征可以促进高风险患者的早期检测和管理,可能改善血液动力学稳定性和整体结果.
