在急性缺血性中风重症监护室患者的住院死亡率预测:一种机器学习方法
Jack A Cummins1, Ben S Gerber2, Mayuko Ito Fukunaga3,4,5
1Manchester Essex Regional High School, Manchester, MA 01944, USA.
Health data science
|March 18, 2025
概括
机器学习模型有效地预测了ICU中急性缺血性中风患者的住院死亡率,识别了关键风险因素,如格拉斯哥昏迷度表得分. 需要进一步考虑道德问题,以确保在不同患者群体中公平应用.
科学领域:
- 计算医学是一种计算医学.
- 医疗保健中的人工智能
- 脑卒中研究 脑卒中研究
背景情况:
- 急性缺血性中风是美国死亡的一个重要原因.
- 准确识别高风险患者对于及时干预和资源分配至关重要.
- 预测急性缺血性中风患者在重症监护室 (ICU) 的住院死亡率至关重要.
研究的目的:
- 开发和验证机器学习模型,用于预测急性缺血性中风的ICU患者的住院死亡风险.
- 确定与这种患者群体的住院死亡率相关的关键因素.
- 为了评估模型的表现和跨人口群体的公平性.
主要方法:
- 利用来自MIMIC-IV数据库的3,489例急性缺血性中风ICU入院的数据.
- 在最初的48小时内提取了人口统计,住院,手术,药物,摄入量,实验室,生命体征和临床评估数据 (例如,格拉斯哥昏迷表).
- 使用贝叶斯优化开发和调整了三种机器学习模型 (随机森林,后勤回归,XGBoost),专注于预测48小时后的死亡率.
主要成果:
- XGBoost 型号实现了最高的性能,接收器运行特征曲线 (AUC ROC) 下面的面积为 0.86,F1 评分为 0.52.
- 死亡率的关键预测因素包括格拉斯哥昏迷度表得分,血液尿素和里士满兴奋镇静度表得分.
- 开发的模型显示了男性/女性以及各种种族/族群之间的良好公平性.
结论:
- 机器学习模型显示,在急性缺血性中风的ICU患者中,预测住院死亡率具有显著的潜力.
- 该研究强调了临床评估得分和实验室值在死亡率预测中的重要性.
- 伦理考虑对于防止健康差异加剧和确保所有患者群体获得公平结果至关重要.
