开发一个快速查工具,高风险的ICU患者的败血症:集成电子病历与机器学习方法的死亡率预测在住院患者的模型机构,内部和外部验证和可视化,电子病历的整合
Songchang Shi1, Lihui Zhang1, Shujuan Zhang1
1Department of Critical Care Medicine, Shengli Clinical Medical College of Fujian Medical University, Fujian Provincial Hospital South Branch, Fujian Provincial Hospital, Fuzhou University Affiliated Provincial Hospital, Fuzhou, 350001, People's Republic of China.
Journal of translational medicine
|January 21, 2025
概括
机器学习模型准确地预测了在ICU入院后24小时内发生败血症的结果. 这种方法可以进行早期干预,显著改善患者护理和败血症患者的临床决策.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 败血症构成重大威胁,需要早期检测和干预,以改善患者的治疗结果.
- 传统的败血症预测方法往往缺乏及时临床行动所需的速度和准确性.
- 进入重症监护室 (ICU) 的前24小时对于败血症管理至关重要.
研究的目的:
- 开发和验证用于预测败血症结果的机器学习 (ML) 模型.
- 使用ICU入院最初24小时的临床数据进行早期败血症查.
- 提高败血症患者的快速识别和干预能力.
主要方法:
- 一个多中心的回顾性队列研究,分析败血症患者的电子病历.
- 机器学习算法的应用,利用31个临床特征预测败血症结果.
- 在美国和中国医疗保健机构的ICU入院后的前24小时内预测败血症结果的模型性能评估.
主要成果:
- 机器学习模型在预测败血症结果方面明显优于传统方法.
- 在测试中,ML模型实现了0.78的预测得分和0.8以上的曲线下面积 (AUC) 值.
- 模型在外部验证中表现强,得分从0.63到0.77.
结论:
- 基于机器学习的预测模型为早期败血症检测提供了强大的工具.
- 及时干预,在ICU入院后的前24小时内通过ML预测,可以显著改善患者的治疗结果.
- 这些模型支持临床决策,导致更有效的败血症管理.
