对于非创伤性脑内出血患者的死亡风险预测模型
Yidan Chen1, Xuhui Liu2, Mingmin Yan3
1Jianghan University School of Medicine, Wuhan, China.
BMC medical informatics and decision making
|January 23, 2025
概括
一个机器学习模型有效地预测了脑内出血 (ICH) 患者的死亡风险. 关键预测因素包括GCS运动分数,年龄,GCS眼球分数,LDL,白蛋白,心房动和性别.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 脑内出血 (ICH) 具有显著的死亡风险.
- 准确预测ICH相关死亡率对于患者管理至关重要.
- 机器学习为改善ICH中的风险分层提供了潜力.
研究的目的:
- 开发和验证一种机器学习模型,用于预测非创伤性脑内出血 (ICH) 患者的死亡风险.
- 确定与ICH患者死亡率相关的关键临床和人口因素.
主要方法:
- 从MIMIC IV 3.0数据库中对1274名ICH患者进行了回顾性分析.
- 使用LASSO和多变量逻辑回归的特征选择.
- 开发一个XGBoost机器学习模型用于死亡率预测.
- 外部验证使用来自兰州大学第二医院的数据.
- 使用ROC,校准曲线和准确度指标进行模型性能评估.
- 使用夏普利添加式解释 (SHAP) 解释模型预测.
主要成果:
- 该研究包括1274名ICH患者,死亡率为44.9%.
- 在训练,验证和测试数据集中,XGBoost模型表现出强大的预测性能,AUC值高.
- 通过SHAP分析确定的关键预测因素包括GCS运动得分,年龄,GCS眼睛得分,LDL,白蛋白,心房动和性别.
结论:
- 开发的XGBoost模型在预测ICH患者死亡风险方面是有效的.
- SHAP方法为机器学习模型的预测提供了有价值的可解释性.
- 这个模型可以帮助临床决策和ICH的风险分层.
