机器学习模型在败血症中预测ICU患者的结果:整合常规实验室测试-系统性审查
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
Florentina Mușat1, Dan Nicolae Păduraru1, Alexandra Bolocan1
1Carol Davila University of Medicine and Pharmacy, Faculty of Medicine, General Surgery Department, University Emergency Hospital of Bucharest, 050098 Bucharest, Romania.
Biomedicines
|January 8, 2025
概括
与传统的评分系统相比,机器学习模型在预测败血症存活率方面表现出卓越的准确性. 这些工具可以改善重症监护室 (ICU) 的败血症管理,即使资源有限.
科学领域:
- * 医学信息学 医学信息学
- * 关键护理医学 关键护理医学
- * 机器学习 * 机器学习
背景情况:
- * 败血症在重症监护病房 (ICU) 中带来了重大诊断和预后挑战.
- *传统的评分系统 (SOFA,APACHE) 在预测败血症患者的结果方面存在局限性.
- * 机器学习 (ML) 为增强败血症生存预测提供了一个有希望的方法.
研究的目的:
- *系统地审查有关ML模型的文献,以预测成年急症监护室患有败血症患者的生存率.
- * 评估ML模型的性能与传统方法相比.
- * 确定基于ML的败血症生存预测中的关键变量和局限性.
主要方法:
- * 在PubMed.中对2014-2024年研究的系统文献综述.
- *包括开发ML模型的研究,使用常见的实验室和临床数据来预测败血症生存率.
- *根据PRISMA指南进行数据提取和分析.
主要成果:
- *确定了19项研究,主要使用后勤回归,随机森林和神经网络.
- * 机器学习模型在预测准确性方面通常优于传统的评分系统.
- *一个渐变增强决策树模型实现了AUC为0.992,准确度为0.954,灵敏度为0.917.
结论:
- *基于ML的工具,整合常规数据,可以显著帮助临床决策在败血症管理.
- *这些工具提高了ICU的护理的一致性和质量,包括资源有限的环境.
- *解决人口偏见和可解释性等局限性对于广泛采用至关重要.
