基于机器学习的急性心肌梗塞与心脏性休克死亡率的预测

科学领域:

• 关键护理医学 关键护理医学
• 心脏病学 心脏病学
• 医疗信息学 医疗信息学

背景情况:

• 在ICU中的急性心肌梗塞和心脏性休克 (AMI-CS) 患者的死亡率很高.
• 准确预测死亡风险对于有效的临床决策和资源分配至关重要.
• 机器学习 (ML) 与现有模型相比,提供了提高预测准确性的潜力.

研究的目的:

• 开发和验证一种机器学习模型,用于预测AMI-CS.ICU患者的死亡风险.
• 为了比较不同ML算法的性能,包括后勤回归 (LR),极端梯度提升 (XGBoost),自适应提升 (AdaBoost) 和高斯天真贝叶斯 (GNB).
• 确定这一患者群体中死亡率的关键预测因素.

主要方法:

• 使用MIMIC-IV数据库进行模型开发,并使用eICU-CRD数据库进行外部验证.
• 应用了Boruta算法来进行特征选择.
• 使用AUC,精度,灵敏度和特异性等指标构建和评估了四个ML模型 (LR,XGBoost,AdaBoost,GNB).
• 采用SHAP方法用于特征重要性可视化和解释.
• 开发了一种在线预测工具,用于实际应用.

主要成果:

• 总共包括了570名 (MIMIC-IV) 和391名 (eICU-CRD) AMI-CS患者.
• 后勤回归 (LR) 实现了最高的性能,验证AUC为0.841.
• 确定的关键预测因素包括前热血素时间,血尿素,年龄,β-阻断剂和ACEI/ARB使用.
• 外部验证的在线预测工具实现了0.755.5的AUC.

结论:

• 一个基于后勤回归的预测模型成功地开发了ICU患者的AMI-CS.
• 该模型有助于早期识别高风险个体,促进及时干预.
• 该工具支持在重症监护机构合理分配医疗保健资源.