基于机器学习的急性胃肠道出血患者的死亡率预测 进入重症监护室的患者
Zhou Liu1, Liang Zhang2, Gui-Jun Jiang1
1Department of Critical Care Medicine, Renmin Hospital of Wuhan University, Wuhan, 430060, China.
Current medical science
|February 27, 2025
概括
机器学习模型准确预测急性胃肠道出血 (AGIB) 患者的死亡率. 渐变增强决策树 (GBDT) 模型,特别是与APACHE-II得分相结合时,为ICU患者提供了卓越的预后性能.
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:
- 急性胃肠道出血 (AGIB) 是重症监护室 (ICU) 中死亡的一个重要原因.
- 准确的预后模型对于及时干预和改善患者结果至关重要.
- 像APACHE-II这样的现有评分系统在预测AGIB患者的死亡率方面可能存在局限性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测被送往ICU的AGIB患者的住院死亡率.
- 将ML模型的性能与已建立的APACHE-II评分系统进行比较.
- 调查组合模型的潜力,将ML与APACHE-II结合起来,以提高预测.
主要方法:
- 追溯分析了961名入住ICU的AGIB患者的队列.
- 患者被分为训练 (n=768) 和验证 (n=193) 队列.
- XGBoost,随机森林 (RF) 和渐变增强决策树 (GBDT) 模型是使用ICU入院前24小时的临床数据开发的.
- 模型性能是使用接收器操作特征曲线 (AUC) 下的面积来评估的.
主要成果:
- 在AGIB患者中,整体死亡率为9.78%.
- 在个人ML模型中,GBDT模型实现了最高的AUC (0.95),超过XGBoost (0.89) 和RF (0.90).
- 在APACHE-II得分显示较低的AUC (0.74).
- 一个整体模型将GBDT算法与APACHE-II得分集成在一起,产生了0.98的优异AUC,具有高灵敏度和特异性.
结论:
- GBDT模型显示出作为预测AGIB患者死亡率的可靠工具的巨大潜力.
- 将APACHE-II得分与GBDT算法的整合进一步提高了预测准确性,为临床预后提供了宝贵的见解.
- 这些基于ML的方法可以提高重症AGIB患者的管理.
