构建和验证基于机器学习的预测模型,用于肝硬化重症患者的短期死亡率

科学领域:

• 临界护理医学 临界护理医学
• 医疗保健中的机器学习
• 肝硬化研究 肝硬化研究

背景情况:

• 肝硬化重症患者面临高死亡风险,原因是诸如多器官衰竭等并发症.
• 准确的短期死亡率预测对于有效的临床决策和重症监护病房 (ICU) 的资源分配至关重要.

研究的目的:

• 开发和验证基于机器学习的模型,用于预测ICU入院的危急性肝硬化患者的短期死亡率.
• 通过为这个脆弱的患者群体提供可靠的预后工具,增强临床决策.

主要方法:

• 来自MIMIC数据库的临床数据从重症肝硬化患者被用于模型开发.
• 多中心验证使用eICU和青海大学附属医院 (QUAH) 数据库进行.
• 采用了堆叠组合模型,并使用了SHAP方法来增强模型的解释性.

主要成果:

• 堆叠组合模型实现了卓越的预测性能,在内部和外部验证集中表现优于单个算法 (AUC:0.845内部,0.819eICU,0.761QUAH).
• 通过SHAP方法确定的关键预后变量包括INR,胆红素和尿液输出.
• 该模型成功地被部署为基于Web的计算器,用于临床临床决策支持.

结论:

• 开发的机器学习模型显示了强大的预测性能和普遍性,可以预测ICU中危急性肝硬化患者的短期死亡率.
• 该模型的可解释性和实际部署作为一个基于网络的工具突出显示其作为一个有价值的资产预后评估在肝硬化患者的潜力.