机器学习方法用于预测患有败血症相关狂妄症的患者30天死亡率
Xiaoli Shen1, Dongfeng Shang2, Weize Sun1
1Department of Emergency Medicine, Huishan 3rd People's Hospital of Wuxi City, Wuxi, China.
PloS one
|April 9, 2025
概括
机器学习模型预测了败血症相关妄 (SAD) 患者的30天死亡率. 梯度增强机模型显示了最高的准确性,有助于早期识别高风险个体.
科学领域:
- 临界护理医学 临界护理医学
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 败血症相关狂妄症 (SAD) 是一种具有显著死亡率的严重疾病.
- 预测SAD患者的30天死亡率对于及时干预至关重要.
- 现有的预测模型可能缺乏个性化患者护理所需的精度.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测败血症相关妄 (SAD) 患者的30天死亡率.
- 确定SAD死亡率的关键独立预测因素.
- 为了比较各种ML算法在预测SAD死亡率方面的性能.
主要方法:
- 使用了来自密集护理医疗信息中心 (MIMIC) -IV数据库的3,197名SAD患者的队列.
- 使用递归特征消除 (RFE) 来识别风险因素.
- 开发并验证了六种ML模型:NNET,GBM,Ada,RF,XGB和LR,通过交叉验证和决策曲线分析评估性能.
主要成果:
- 确定了30天死亡率的10个独立预测因素:GCS,SOFA,AG,CRRT,温度,MCHC,血管压缩剂,BUN,BE和碳酸.
- 所有六个ML模型都显示出有利的区分和校准.
- 梯度增强机 (GBM) 模型实现了最高的曲线下面积 (AUC) 0.845 (95% CI: 0.816, 0.874).
结论:
- 开发了强大的ML模型,用于预测SAD患者的30天死亡率.
- 与其他经过测试的算法相比,GBM模型提供了优越的预测性能.
- 这些模型可以帮助临床医生及时识别高风险的SAD患者,以进行个性化管理.
