机器学习用于预测在重症监护病房患者的侵入性设备手术后与设备相关的感染和30天生存结果

科学领域:

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

背景情况:

• 与设备相关的感染和30天不良结果对接受侵入性手术的重症监护室 (ICU) 患者构成重大风险.
• 准确预测这些风险对于及时干预和改善患者管理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测ICU患者的设备相关感染风险和30天生存期.
• 为实际临床应用确定最有效的ML模型和关键变量.

主要方法:

• 利用了来自MIMIC-IV数据库的8574名ICU患者的数据,分为培训和验证集 (7:3比率).
• 应用了7个ML模型用于感染预测和5个用于生存预测,使用ROC曲线和C指数评估性能.
• 通过逐步减少基于重要性的变量来优化模型,专注于表现最佳的算法,如XGBoost和额外生存树 (EST).

主要成果:

• 使用前10个变量,XGBoost模型在验证队列中实现了0.810的感染预测AUC.
• 使用前10个变量的EST模型,报告了生存预测的C指数为0.756.
• 这两种顶级模型都保持了高的预测性能,即使仅限于最重要的变量,也证明了实际的实用性.

结论:

• 开发的XGBoost和EST机器学习模型在预测ICU患者的设备相关感染风险和30天生存结果方面显示出高准确性.
• 这些模型,特别是当使用一组减少的关键变量时,为临床决策支持提供了有前途的工具.
• 建议进行进一步的外部验证,以确认这些预测模型的临床实用性和通用性.