相关实验视频
Updated: May 27, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
135
机器学习模型的临床验证和优化,用于早期预测败血症
1Department of Infectious Diseases, The Fifth Affiliated Hospital of Sun Yat-sen University, Zhuhai, China.
Frontiers in medicine
|February 20, 2025
概括
早期的败血症预测对于患者的治疗结果至关重要. 一个随机森林模型有效地使用临床数据识别了败血症风险,突出了关键预测因素,如前素和白蛋白水平.
科学领域:
- 医疗信息学 医疗信息学
- 临床预测建模临床预测建模
- 医疗保健中的机器学习
背景情况:
- 败血症是一个重大的全球健康挑战,死亡率高.
- 及时预测败血症发病对于实施有效的干预措施和改善患者治疗结果至关重要.
研究的目的:
- 开发和验证机器学习模型,用于早期预测成人患者的败血症.
- 确定导致败血症发展的关键临床特征.
主要方法:
- 对2329名具有阳性细菌培养的成年患者的回顾性分析.
- 开发和比较五种机器学习模型:物流回归,决策树,随机森林 (RF),多层感知子和光梯度增强.
- 外部验证使用单独的2,286名患者队列和特征重要性分析与沙普利增量解释 (SHAP).
主要成果:
- 随机森林 (RF) 模型在内部验证中表现出最佳性能,AUC为0.818和灵敏度为0.746.
- 在外部验证组中,射频模型实现了0.771的可比AUC.
- 在SHAP分析中,发现了前素,白蛋白,前激素时间和性别是败血症的重要预测因素.
结论:
- 开发的RF模型显示了在住院患者中预测早期败血症的巨大潜力,有助于临床决策.
- 患有细菌感染的男性患者和特定的生物标志物 (高甲,低蛋白,延长前列血时间) 的患者患败血症的风险更高.
