相关实验视频
Updated: May 21, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
130
可解释的机器学习模型,用于预测患有败血症引起的凝血病患者的早期发病风险:一项多中心研究
Ruimin Tan1,2, Chen Ge2, Jingmei Wang3
1School of Clinical Medical, North China University of Science and Technology, Tangshan, Hebei, China.
Frontiers in immunology
|March 18, 2025
概括
一个机器学习模型准确地预测了败血症诱导的凝血病 (SIC) 风险. 这种工具有助于早期,个性化干预败血症患者,改善结果.
科学领域:
- 关键护理医学 关键护理医学
- 计算生物学 计算生物学
- 生物统计学 生物统计学
背景情况:
- 败血症诱导的凝血病 (SIC) 是败血症的严重并发症,表现为全身炎症和血液凝固受损.
- 早期识别患有SIC高风险的患者对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测败血症患者的SIC风险.
- 通过使用先进的统计和ML技术,识别SIC的关键预测因素.
主要方法:
- 来自两家医院的847名败血症患者的回顾性分析,分为培训 (70%),测试 (30%) 和时间验证集.
- 使用LASSO回归和后勤回归进行特征选择,然后对9个ML算法进行评估.
- 模型性能通过ROC分析 (AUC),校准曲线和DCA进行评估,并使用SHAP进行解释.
主要成果:
- 随机森林 (RF) 模型表现出强大的预测性能,AUC为0.782 (训练),0.750 (测试) 和0.784 (验证).
- 确定的关键预测因素包括激活的部分血栓形成时间,乳酸盐,氧化指数和总蛋白质.
- SHAP算法为模型的决策过程提供了洞察力.
结论:
- 开发的ML模型可靠地预测败血症患者的SIC风险.
- 通过SHAP的模型解释性有助于理解关键的风险因素.
- 这种预测工具支持早期,个性化的干预措施,以改善毒症患者患有凝血病风险的结果.
