机器学习用于预测患有败血症的患者急性心肌梗塞
Shusheng Fang1, Hongjin Jin1, Jiayu Zhang1
1Department of Critical Care Medicine, The Second Hospital of Dalian Medical University, Dalian Medical University, Dalian, 116000, Liaoning, China.
Scientific reports
|December 24, 2024
概括
机器学习可以准确地预测败血症患者的急性心肌梗塞 (AMI). 渐变增强分类器模型有助于早期干预,降低了重症监护病房的死亡率.
科学领域:
- 关键护理医学 关键护理医学
- 心脏病学 心脏病学
- 数据科学数据科学数据科学
背景情况:
- 败血症和急性心肌梗塞 (AMI) 是重症监护室死亡的主要原因.
- 从AMI中区分败血症诱导的心肌病是临床上具有挑战性的,因为重叠的生物标志物.
- 在败血症患者中误诊AMI可能会延迟治疗并增加并发症.
研究的目的:
- 开发和验证一种新的预测模型,用于识别患有败血症的重症患者的AMI.
- 将机器学习模型的性能与传统评分系统进行比较.
- 改善早期检测和干预 AMI 在败血症患者.
主要方法:
- 利用了来自密集护理-IV数据库的医学信息中心的多维临床数据.
- 采用了六个机器学习算法来构建模型,包括渐变增强分类器.
- 使用歧视,校准和临床适用性指标评估模型性能.
主要成果:
- 包括2,103名患有败血症的重症患者;21.8%经历过AMI.
- 梯度增强分类器模型表现出卓越的预测性能.
- 为最佳模型构建选择了26个变量.
结论:
- 机器学习模型显示出在败血症患者中预测AMI的潜力.
- 开发的渐变增强分类器模型为临床应用提供了有前途的性能.
- 早期识别高风险患者可以指导干预措施并减少死亡率.
