相关实验视频
Updated: Jun 3, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
144
可解释的机器学习用于预测紧急分类患者的败血症风险
Zheng Liu1, Wenqi Shu1, Teng Li1
1Department of Emergency, The First Hospital of China Medical University, No. 155, Nanjing North Street, Heping District, Shenyang, 11001, China.
Scientific reports
|January 6, 2025
概括
这项研究开发了一个机器学习模型,使用全面的电子健康数据来预测紧急分拣中的败血症. 与单独使用生命体征相比,该模型显著改善了早期败血症检测.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 紧急医疗 紧急医疗
背景情况:
- 早期的败血症检测对于患者的治疗结果至关重要.
- 传统的败血症查通常仅依赖于生命体征.
- 整合更广泛的患者数据可以提高预测准确性.
研究的目的:
- 开发和验证使用结构化电子病历 (sEMR) 和机器学习 (ML) 在紧急分拣中使用败血症预测模型.
- 为了比较一个综合模型的有效性与一个只使用生命体征的模型.
- 通过结合多样化的分类信息,改进早期败血症查.
主要方法:
- 使用MIMIC-IV数据库进行的回顾性队列研究 (189,617名患者).
- 开发了两个模型:模型1 (仅限生命体征) 和模型2 (生命体征,人口统计,病史,首席投诉).
- 采用了八个ML算法,并使用AUC,F1分数和校准曲线评估性能;利用SHAP和LIME进行解释性.
主要成果:
- 包含全面数据的模型2在大多数算法中始终优于模型1.
- 在模型2中的梯度提升实现了0.83的最高AUC; 额外树,随机森林和SVM实现了0.82.
- SHAP分析为梯度增强模型的预测提供了可解释的见解.
结论:
- 通过sEMR和ML集成的综合选信息在败血症预测中比单独的生命体征更有效.
- 可解释的ML提高了模型的透明度,并提供了败血症预测概率.
- 这种方法为早期败血症查提供了一种可行的策略,支持选中的临床决策.
