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
Matthew M Churpek1,2, Kyle A Carey3, Ashley Snyder4
1Department of Medicine, University of Wisconsin-Madison, Madison, WI.
Critical care explorations
|March 28, 2025
概括
一个新的机器学习模型,eCARTv5,有效地识别了临床恶化风险的患者,在追溯和前性验证中优于现有的早期预警分数. 这种提前帮助及时干预住院患者.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的机器学习
- 患者监测 患者监测
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.
- 现有的早期预警得分通常依赖于后勤回归,缺乏严格的子组验证.
- 需要先进的机器学习模型,以便及时识别有风险的患者.
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的性能与已建立的早期预警分数进行比较.
主要方法:
- 使用梯度增强树算法与包括人口统计,生命体征,文档和实验室值在内的预测变量.
- 这项研究涉及大量的衍生队列 (901,491人入院) 和广泛的外部验证队列 (追溯: 1,769,461;前: 205,946人入院).
- 模型性能使用接收器操作特征曲线 (AUROC) 下的面积进行评估,并与MEWS,NEWS和eCARTv2.2进行比较.
主要成果:
- 与eCARTv2 (0.775),NEWS (0.766) 和MEWS (0.704) 相比,eCARTv5在追溯验证中表现出优异的性能,具有最高的AUROC (0.834),与eCARTv2 (0.775),NEWS (0.766) 和MEWS (0.704) 相比.
- 该模型在各种患者人口统计和临床条件中保持了高性能 (AUROC ≥0.80).
- 未来的验证证实了eCARTv5对临床恶化的强大预测能力.
结论:
- 在回顾性和前性验证中,eCARTv5显著优于现有的早期预警分数,包括eCARTv2,NEWS和MEWS.
- 该模型在各个子组中的一致性能支持其在识别有恶化风险的住院患者中的可靠性.
- 这些发现导致FDA对eCARTv5的批准,使其在监测病房患者的临床使用成为可能.
