基于使用机器学习和回归建模的混合方法预测耐火性败血症冲击风险的规模
Sejin Heo1, Daun Jeong2, Minyoung Choi1
1Department of Emergency Medicine, Samsung Medical Centre, Sungkyunkwan University School of Medicine, Seoul, Korea.
概括
使用临床数据开发了一种新的耐火性败血栓冲击量表 (RSSS),用于预测严重的败血栓冲击. 这种工具在识别患有耐火性败血症休克的患者方面表现出很好的准确性.
科学领域:
- 关键护理医学 关键护理医学
- 临床预测模型临床预测模型
- 败血症研究 败血症研究
背景情况:
- 耐火性败血性休克 (SS) 在重症监护机构中构成了重大挑战.
- 早期预测耐火性SS对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种新的临床量表,即耐火性SS量表 (RSSS),用于预测耐火性SS.
- 为了确定早期SS预后的关键临床变量.
主要方法:
- 一个多中心的回顾性研究,利用MIMIC-IV数据库的数据进行规模开发.
- 对两个独立的队列进行了外部验证:急诊室 (ED) 队列和医院重症监护室 (ICU) 队列.
- 机器学习方法 (AutoScore) 用于使用接收器操作特征曲线 (AUROC) 下面的区域进行规模开发和性能评估.
主要成果:
- RSSS包含六个预测指标:血清乳酸,静脉血压,心率,温度,动脉pH值和白细胞计数.
- 内部验证显示AUROC的值为0.873.
- 外部验证的AUROC为0.705 (到达时的ED队列),0.781 (在低输血/低血压诊断时的ED队列) 和0.822 (ICU队列),所有队列均可接受的校准.
结论:
- 开发的耐火性SS量表 (RSSS) 显示了足够的诊断准确度来预测耐火性败血性休克.
- 在紧急和重症监护机构中,RSSS是早期识别耐火性SS高风险患者的有希望的工具.
