基于机器学习的ICU-AW炎症因素的预测建模

科学领域:

• 关键护理医学 关键护理医学
• 生物统计学 生物统计学
• 生物标志物 生物标志物

背景情况:

• 在重症监护室获得的虚弱 (ICU-AW) 是重症监护室常见的并发症.
• 早期预测和干预对于减少ICU-AW发病率至关重要.
• 机器学习为预测复杂的临床结果提供了新的方法,如ICU-AW.

研究的目的:

• 开发和验证用于预测ICU-acquired weakness (ICU-AW) 的机器学习模型.
• 确定与ICU-AW风险相关的关键临床和炎症因素.
• 利用易于获取的数据,用于早期临床识别ICU-AW.

主要方法:

• 对于变量选择的最小绝对缩小和选择运算符 (LASSO) 回归.
• 使用后勤回归 (LR),随机森林 (RF) 和极端梯度增强 (XGB) 的预测模型的开发.
• 模型的验证使用训练组 (70%) 和测试组 (30%) 的患者数据,包括IL-1β,IL-6和IL-10等炎症标志物.

主要成果:

• 包含炎症因素的后勤回归模型在测试组中实现了82.1%的AUC.
• 这款车型与其他五款车型相比,表现和校准都优越.
• 诺米图被用于使用最佳模型进行视觉表示和预测.

结论:

• 可访问的临床特征和实验室数据,特别是炎症因素 (IL-1β,IL-6,IL-10),对于预测ICU-AW非常有价值.
• 开发的模型有助于早期识别面临ICU-AW风险的患者.
• 机器学习为提高ICU患者护理和治疗结果提供了有效的工具.