在有限的数据集中开发C5.0机器学习模型,以预测ARDS患者的早期死亡率,这些患者接受了易感定位的初始会议

科学领域:

• 关键护理医学 关键护理医学
• 机器学习应用 机器学习应用
• 呼吸系统生理学 呼吸系统生理学

背景情况:

• 急性呼吸困扰综合征 (ARDS) 呈现出显著的发病率和死亡率.
• 俯卧式 (PP) 呼吸是ARDS的关键治疗方法,可以降低死亡率.
• 早期识别接受PP的高风险ARDS患者对于及时干预至关重要.

研究的目的:

• 开发和验证机器学习模型,以预测PP期间ARDS患者的7天死亡率.
• 确定可能受益于密集治疗审查或救援疗法的患者.
• 加强临床决策,以实现个性化的ARDS管理.

主要方法:

• 对从131名接受PP的ARDS患者前性收集的数据进行了回顾性分析.
• 使用C5.0分类器与自适应增强,训练在proning前,期间和后的数据.
• 使用培训 (85%) 和测试 (15%) 数据集的7天死亡预测来评估模型性能.

主要成果:

• 该模型实现了强大的预测性能 (AUROC 0.89培训,0.78测试).
• 关键预测因素包括对初始的反应.
• 预测的幸存者死亡率为13.3%,预测的不幸存者死亡率为66.67%.

结论:

• 一个C5.0分类器可以使用有限的数据预测接受PP的ARDS患者的7天死亡率.
• 确定具有显著更高风险的队列,指导考虑救援疗法 (例如,ECMO).
• 证明了机器学习在定制ARDS治疗策略方面的潜力,需要在更大的队列中进一步验证.