用机器学习算法预测急性损伤的危急心脏病发作性休克患者
Xiaofei Zhang1, Yonghong Xiong2, Huilan Liu3
1Department of Gerontology, China Aerospace Science & Industry Corporation 731 hospital, Beijing, People's Republic of China.
International journal of general medicine
|January 13, 2025
概括
机器学习模型可以有效地预测患有心脏性休克 (CS) 的危急病患者的急性损伤 (AKI). 集合模型在传统的物流回归上表现出优异的性能,为早期检测和管理提供了有前途的工具.
科学领域:
- 关键护理医学 关键护理医学
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数据科学数据科学数据科学
背景情况:
- 患有心脏性休克 (CS) 的重症患者有患急性损伤 (AKI) 的高风险.
- 在这个人群中,准确预测AKI对于及时干预和改善结果至关重要.
- 现有的预测模型可能无法完全捕捉到CS患者AKI发展的复杂性.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测严重病情的CS患者的AKI.
- 将各种ML算法的预测性能与传统的物流回归进行比较.
- 使用SHAP分析识别影响AKI预测的关键特征.
主要方法:
- 来自MIMIC-IV,eICU和大学医院数据库的临床数据的回顾性分析.
- 应用五种ML算法 (LightGBM,决策树,XGBoost,随机森林,集合模型) 和后勤回归.
- 使用独立数据集验证模型,并通过ROC曲线和AUC值进行评估.
主要成果:
- 集合模型实现了最高的预测准确性 (AUC:0.91-0.92跨数据集).
- 随机森林和XGBoost也表现出强的表现 (AUC:0.89-0.90).
- 后勤回归证明了最低的预测性能 (AUC:0.61-0.62).
结论:
- ML算法,特别是组合模型,在预测严重病情的CS患者的AKI方面显著优于逻辑回归.
- 这些ML模型为这个脆弱人群的早期AKI风险分层提供了有价值的工具.
- 进一步的研究可以完善这些模型用于临床实施.
