相关实验视频
Updated: May 31, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
138
可解释的基于机器学习的预测28天的死亡率在ICU患者的败血症:一个多中心的回顾性研究
Li Shen1,2, Jiaqiang Wu3, Jianger Lan1
1Department of Clinical Pharmacy, Children's Hospital of Fudan University, National Children's Medical Center, Shanghai, China.
Frontiers in cellular and infection microbiology
|January 23, 2025
概括
机器学习模型准确地预测了重症监护室 (ICU) 败血症患者的28天死亡率. XGBoost模型表现最好,识别了更好的临床决策的关键风险因素.
科学领域:
- 关键护理医学 关键护理医学
- 数据科学数据科学数据科学
- 生物统计学 生物统计学
背景情况:
- 败血症是重症监护室 (ICU) 中的主要死亡原因,对全球健康造成重大负担.
- 准确预测死亡率对于有效的患者管理和资源分配至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ICU败血症患者28天全因死亡率.
- 确定死亡率的关键预测因素,以告知临床决策.
主要方法:
- 使用了来自eICU协作研究数据库 (eICU-CRD) 的数据.
- 采用LASSO和Boruta算法进行预测器选择.
- 使用十倍交叉验证构建和评估了五个ML模型 (LR,DT,XGBoost,SVM,lightGBM).
- 使用AUC,精度,灵敏度,特异性,回忆和F1分数来评估模型性能.
主要成果:
- 研究队列包括4564名患者,28天死亡率为12.4%.
- XGBoost算法实现了最高的性能,AUC为0.821,灵敏度为0.703,特异性为0.798.8.
- 发现的最高死亡预测因素是APACHE评分,血清乳酸和AST.
结论:
- 机器学习模型可以可靠地预测危急性败血症患者的28天死亡率.
- XGBoost模型在识别高风险患者方面表现出卓越的表现.
- 鉴定的预测因素可以帮助临床医生在ICU环境中管理败血症患者.
