基于机器学习的28天死亡预测模型,用于老年神经关键病患者
Jia Yuan1, Jiong Xiong1, Jinfeng Yang2
1Department of Intensive Care Unit, The Affiliated Hospital of Guizhou Medical University, No. 28, Guiyi Road, Yunyan District, Guiyang, Guizhou 550001, China.
Computer methods and programs in biomedicine
|January 12, 2025
概括
机器学习准确地预测了老年神经临界患者的28天死亡率. 轻GBM模型为临床决策和重症监护病房 (ICU) 的资源分配提供了有价值的工具.
科学领域:
- 在重症监护中的计算医学和人工智能.
- 神经临界护理和患者预后.
- 开发和验证患者结果的预测模型.
背景情况:
- 随着老年人群在神经临床护理中的增加,需要改进预后预测.
- 目前的工具可能无法完全捕捉到预测这一人口中的死亡率的复杂性.
- 需要强大的机器学习 (ML) 模型来预测重症监护室 (ICU) 的28天死亡率.
研究的目的:
- 开发和验证机器学习模型,用于预测老年神经关键病患者的28天死亡率.
- 确定这一患者群体中死亡率的关键预测因素.
- 使用外部验证数据评估开发模型的可通用性.
主要方法:
- 使用密集护理IV (MIMIC-IV) 数据库的医疗信息中心对一组老年神经危急患者 (ICU停留时间≥24小时) 进行了数据分析.
- 采用拉索回归来从58个变量中选择特征;评估了7个ML算法,包括光梯度增强机 (LightGBM).
- 使用贵州医科大学附属医院的数据验证了最佳模型,并使用SHAP进行模型解释.
主要成果:
- 轻GBM模型在1,773名患者 (28.6%的死亡率) 的队列中实现了高预测性能 (AUC0.896内部,0.812外部验证).
- 确定的关键死亡预测因素包括动脉二氧化碳 (PaCO2) 的部分压力,APACHE II评分,白细胞计数,年龄和乳糖.
- 卡普兰-梅尔分析证实了较高的LightGBM得分与生存率下降之间的相关性;模型显示了各子组一致的表现.
结论:
- 轻GBM模型在预测老年神经临床病患者28天死亡风险方面具有显著的临床实用性.
- 这种预测工具可以帮助临床医生优化ICU内的患者管理策略和资源配置.
- 该模型在各种患者子组中的强大性能突显了其广泛临床应用的潜力.
