使用堆叠组合机器学习算法预测败血症患者的死亡率.

科学领域:

• 临床信息学 临床信息学
• 人工智能在医学中的应用
• 医疗保健数据科学 数据科学

背景情况:

• 机器学习 (ML) 模型越来越多地被探索用于预测败血症患者的结果.
• 确定可靠的败血症死亡率预测因素对于及时干预至关重要.

研究的目的:

• 评估堆叠组合机器学习算法的实用性,用于预测败血症患者的死亡率.
• 将单个ML模型的性能与堆叠组合方法进行比较.

主要方法:

• 分析了1453名成年败血症患者的队列.
• 博鲁塔算法确定了关键的预测因素:内的使用和辅助通风.
• 使用随机森林,SVM,弹性网和GBM作为弱学习者,SVM作为meta-learner开发了一个堆叠的合奏模型.

主要成果:

• 随机森林模型在培训数据上获得了最高的曲线下的面积 (AUC) 97.91%.
• 个别模型显示高AUC:SVM (95.21%),GBM (93.67%),GLM净 (91.42%). 在这些模型中,SVM的AUC值为95.21%,GBM的AUC为93.67%,GLM净为91.42%.
• 堆叠组合模型实现了92.14%的AUC,随机森林在测试数据集上显示了中等准确度 (85.5%).

结论:

• 随机森林在训练数据上表现出高的预测准确性,在测试数据上表现中等.
• 该研究强调了ML在败血症死亡率预测中的潜力.
• 建议增加开放式密切护理单位 (ICU) 数据库的可用性,以进一步推进医疗保健中的ML应用.