机器学习方法用于对缺血性中风患者的败血症风险评估
Fengkai Mao1, Leqing Lin2, Dongcheng Liang2
1Clinical Medical College, Affiliated Hospital of Hangzhou Normal University, Hangzhou Normal University, Hangzhou, Zhejiang, China.
Journal of intensive care medicine
|January 9, 2025
概括
这项研究开发了第一个机器学习模型,用于预测缺血性中风患者的败血症,识别了机械通风和低格拉斯哥昏迷度数等关键风险因素. 该模型旨在改善早期检测并降低这一脆弱人群的死亡率.
科学领域:
- 神经学 神经学
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
背景情况:
- 败血症是ICU中缺血性中风患者的危险并发症.
- 现有的模型没有预测这种患者群体的败血症发病.
- 早期预测对于及时干预和改善结果至关重要.
研究的目的:
- 开发和验证在缺血性中风患者中发生败血症的第一个预测模型.
- 利用机器学习技术进行准确的败血症风险评估.
- 为早期识别高风险个体提供临床决策支持工具.
主要方法:
- 利用了来自MIMIC-IV数据库的数据,包括2238名成年缺血性中风患者.
- 用于特征选择 (28个变量) 的雇佣最小绝对缩小和选择运算符 (LASSO) 回归.
- 训练并验证了多个机器学习算法,根据性能指标 (AUC 0.863) 选择XGBoost作为最佳模型.
- 使用SHAP分析解释XGBoost模型,以确定关键的预测特征.
主要成果:
- XGBoost模型实现了高预测性能,其AUC为0.863.3.
- 败血症的关键预测因素包括侵入性机械通风,体重过重,格拉斯哥昏迷表单口语分数低,年龄和体温升高.
- 为预测模型的临床应用开发了一个用户友好的平台.
结论:
- 开发的XGBoost模型是第一个准确预测缺血性中风患者的败血症的模型.
- 该模型作为一种有价值的临床决策支持工具,用于早期风险识别.
- 实施可以促进预防措施,可能降低毒症发病率和死亡率.


