增强机器学习预测模型用于COPD和呼吸衰竭的老年ICU患者的痴呆症:基于MIMIC-IV的回顾性研究

科学领域:

• 密集护理医学 密集护理医学
• 老年病的医生 老年病的医生
• 肺部病理学 肺部病理学
• 医疗保健中的人工智能

背景情况:

• 在重症监护室 (ICU) 患有慢性阻塞性肺病 (COPD) 和呼吸衰竭的老年患者的预后不佳.
• 在这个人群中,痴呆症加剧了不良结果,增加了住院费用.

研究的目的:

• 开发一种预测模型,用于COPD和呼吸衰竭的老年ICU患者的痴呆症.
• 为了确定关键的风险因素与 Delirium 发展在这个队列中.

主要方法:

• 利用MIMIC-IV数据库中的数据来开发机器学习模型.
• 采用拉索回归和最佳子集方法来选择特征.
• 训练并优化了四个模型 (K-最近邻居,随机森林,后勤回归,XGBoost) 来预测妄想风险.
• 经过十倍交叉验证的验证模型稳定性和使用精度,F1分数,精度和回忆的性能.
• 应用了SHapley添加式解释 (SHAP) 来进行变量重要性分析.

主要成果:

• 包括1,155名患者 (2008年至2019年), Delirium发病率为12.9%.
• XGBoost模型表现出优越的区分能力,AUC为0.932.
• 实现了高性能指标:准确性 (0.891),精度 (0.839),回忆 (0.795),以及F1得分 (0.810).
• 确定了关键预测因素:格拉斯哥昏迷量表 (GCS) 评分,住院时间,SpO2,MDRD评分,透气血压,性别和非侵入性通风持续时间.

结论:

• 开发的XGBoost模型准确地预测了老年COPD患者在ICU中呼吸衰竭的 Delirium.
• 这种预测工具可以帮助临床决策,以改善患者管理.
• 有潜力提高患者的治疗成果,降低医疗保健支出.