利用机器学习对败血症患者多重预后进行预测:来自MIMIC-IV数据库的证据

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 临床数据科学临床数据科学

背景情况:

• 败血症是一种严重的系统性感染反应,死亡率很高.
• 准确的预后工具对于在败血症患者的及时干预至关重要.
• 机器学习 (ML) 模型显示出早期败血症预测的前景.

研究的目的:

• 开发和验证一种ML模型,用于在重症监护室 (ICU) 中早期预后识别败血症患者.
• 为了比较物流回归,随机森林和CatBoost算法在预测败血症结果中的性能.

主要方法:

• 使用MIMIC-IV v2.2数据库,将数据分成70%的培训和30%的验证集.
• 应用差异分析和多项逻辑回归来进行特征选择,确定了26个关键临床特征.
• 使用精度,准确性,回忆,F1分数和AUC构建和评估了后勤回归,随机森林和CatBoost模型.

主要成果:

• CatBoost模型表现出卓越的性能,加权AUC为0.771.1.
• 死亡率预测实现了最高的AUC (0.804),其次是快速恢复 (0.773) 和慢性严重疾病 (0.737).
• 尿量,呼吸率和温度被确定为最重要的预测因素.

结论:

• CatBoost ML模型有效地识别了早期的败血症预后,包括死亡率,快速康复和慢性严重疾病.
• 针对尿液输出,呼吸状况和温度的早期干预措施可能会对败血症患者的结果产生积极影响.
• 需要进一步的外部验证来确认模型的通用性.