使用倾向性得分匹配和使用基于机器学习的风险预测模型开发的双倍强大分析,对因败血症引起的心肌损伤患者的预后分析
Frontiers in medicine
|March 6, 2025
概括
败血症引起的心肌损伤 (SIMI) 显著恶化了重症患者的结果. 先进的机器学习模型,特别是XGBoost,准确地预测SIMI,使及时干预和改善患者预后成为可能.
科学领域:
- 关键护理医学 关键护理医学
- 心脏病学 心脏病学
- 医疗保健中的机器学习
背景情况:
- 败血症引起的心肌损伤 (SIMI) 是败血症的常见并发症,定义不清楚.
- 早期预测SIMI对于迅速干预和改善患者结果至关重要.
- 这项研究评估了SIMI的预后影响,并开发了用于其预测的机器学习模型.
研究的目的:
- 评估败血症引起的心肌损伤的预后意义.
- 开发和验证机器学习模型,用于在重症败血症患者中早期识别SIMI.
主要方法:
- 使用了MIMIC-IV数据库,通过托罗邦尼T水平≥0.1 ng/mL来定义SIMI.
- 雇员倾向得分匹配,反向概率加权,以及用于预后评估的双倍强大的分析.
- 开发并比较了12个机器学习模型,使用LASSO回归来选择变量,并将最佳模型部署为Web应用程序.
主要成果:
- 在2,435名患者中,571名患者 (23.45%) 患有SIMI,这与短期和中期结果明显恶化有关.
- XGBoost模型在SIMI预测中获得了0.83的AUROC,识别了CKMB,肌素,ALT,乳酸和BUN等关键预测因子.
- 为实际临床使用,创建了一个基于Web的应用程序.
结论:
- 在败血症患者中,SIMI是显著的负预后因素.
- 开发的XGBoost模型在预测SIMI时提供了很高的准确性.
- 一个实用的网络应用程序有助于及时进行临床干预,可能改善败血症患者的治疗结果.
