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
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
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.
