结合式学习算法和心脏重症监护病房疾病严重性评分系统的比较:一项回顾性研究
1Complexo Hospitalario Universitario de Pontevedra, Pontevedra, PO, Spain.
Einstein (Sao Paulo, Brazil)
|October 17, 2024
概括
机器学习模型在预测心脏重症监护室患者死亡率方面明显优于传统系统. 梯度提升机在死亡风险评估方面表现出卓越的准确性和校准.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 传统的后勤回归模型通常用于重症监护室 (ICU) 死亡率预测.
- 机器学习,特别是像渐变增强机 (GBM) 和随机森林 (RF) 这样的组合方法,为提高预测准确性提供了潜力.
- 来自MIMIC-III数据库的9,761次ICU住院的大数据集被利用,包括心脏外科和心脏病学服务的患者.
研究的目的:
- 通过整合共享的风险因素,开发一种新的风险评分来预测心脏ICU患者的死亡率.
- 利用机器学习技术,改进传统的物流回归模型来预测ICU死亡率.
- 将机器学习模型的性能与已建立的传统评分系统进行比较.
主要方法:
- 开发GBM和分布式随机森林模型,使用9,761次ICU住院的顺序和静态生理数据.
- 基于ICU死亡率预测的初级终点的模型性能评估,评估歧视,校准和准确性.
- 与传统评分系统进行比较分析,以确定相对预测能力.
主要成果:
- 与传统系统相比,机器学习模型 (GBM 和 RF) 显示了显著优越的接收器运行特征曲线下的面积 (AUROC) 和精度召回曲线下的面积 (AUPRC) (p<0.05).
- GBM 实现了 0.9413 的 AUROC,RF 实现了 0.9311,显著提高了灵敏度,精度和诊断概率比率.
- 对GBM和RF的校准曲线特别接近理想线,表明模型校准比传统方法更好.
结论:
- 机器学习模型,特别是渐变增强机,在预测心脏ICU死亡率方面显著优于传统的评分系统.
- GBM 和分布式随机森林表现出优异的区分和校准,提供卓越的准确统计数据.
- 这些发现表明,机器学习方法为评估心脏重症监护机构的死亡风险提供了更强大,更准确的工具.
