基于机器学习的临床预测模型,用于患有心房的败血症患者的1年死亡率

科学领域:

• 关键护理医学 关键护理医学
• 心脏病学 心脏病学
• 在医疗保健中的数据科学.

背景情况:

• 心房动 (AF) 是已知的败血症风险因素,但其对预后的长期影响尚不清楚.
• 了解AF的作用对于改善败血症患者的治疗结果至关重要.
• 这项研究调查了AF和败血症预后之间的关联.

研究的目的:

• 确定AF对败血症患者结局的短期和长期影响.
• 使用临床变量,开发用于败血症患者1年死亡率的预测模型.

主要方法:

• 在重症监护病房的败血症患者的回顾性分析.
• 倾向性得分与混因素的控制匹配.
• 机器学习 (LASSO回归,随机森林) 用于预测模型开发.

主要成果:

• AF与7天,28天和1年的死亡率增加相关.
• 开发的预测模型在现有的危急疾病得分上表现出优异的表现.
• 关键预测因素包括RDW,体重,年龄,BUN,乳酸,温度,MCHC,MBP,ALP和血红蛋白.

结论:

• 心房动在败血症中具有显著的不良结果风险.
• 这种新型风险模型为AF的败血症患者提供了更高的预后准确性.
• 该模型有助于风险分层,并改善死亡率的预测.