多中心开发和eCARTv5的未来验证:一个梯度增强的机器学习早期预警得分

科学领域:

• 医疗信息学 医疗信息学
• 临床决策支持系统 临床决策支持系统
• 医疗保健中的机器学习

背景情况:

• 早期发现临床恶化对于改善患者的治疗结果至关重要.
• 现有的机器学习预警分数往往缺乏严格的验证和子组分析.
• 传统的逻辑回归模型在捕获复杂的患者数据方面存在局限性.

研究的目的:

• 开发和前性验证一个渐变增强机器模型,eCARTv5,用于识别住院患者的临床恶化.
• 将eCARTv5的性能与MEWS和NEWS等既有早期预警得分进行比较.
• 确保模型在不同患者群体和临床场景中的稳定性.

主要方法:

• 利用渐变增强树算法,使用包括人口统计,生命体征,文档和实验室值在内的预测变量.
• 开发了模型 (eCARTv5),使用住院医疗外科病房 (2006-2022) 的成年患者的大数据集.
• 在多个卫生系统中,对该模型进行了追溯 (2009-2023) 和前性 (2023-2024) 外部验证.

主要成果:

• 在追溯验证中,eCARTv5表现出卓越的性能,接收器运行特征曲线 (AUROC) 下面面积最高为0.834.
• 在追溯验证中表现优于eCARTv2 (0.775),NEWS (0.766) 和MEWS (0.704).
• 在各种患者人口统计学,临床条件和前性验证中保持高性能 (AUROC ≥0.80).

结论:

• 与现有评分相比,开发的eCARTv5模型在识别临床恶化方面提供了更高的准确性.
• eCARTv5在各种各样的子组和前性测试中得到验证的性能支持其临床实用性.
• 该研究的结果为FDA批准提供了基础,使eCARTv5在住院病房患者的临床环境中使用成为可能.