基于机器学习的血病白细胞轨迹的临床亚型识别和特征识别

科学领域:

• 关键护理医学 关键护理医学
• 血液学 血液学 血液学
• 计算生物学 计算生物学

背景情况:

• 败血症呈现出高度变化的临床过程.
• 白细胞 (白细胞) 数量动态可能提供预后见解.
• 对于败血症管理,需要个性化治疗策略.

研究的目的:

• 根据白细胞计数轨迹识别出不同的败血症患者亚型.
• 将这些亚型与患者的结果联系起来,包括死亡率和生命支持.
• 使用早期临床数据预测高死亡风险的败血症子组.

主要方法:

• 隐性类混合模型 (LCMM) 在MIMIC-IV和eICU数据库中分析白细胞轨迹.
• 多变量回归评估了白细胞亚型和结果之间的关联.
• XGBoost和SHAP方法预测和解释了高死亡率风险小组特征.

主要成果:

• 在7410名败血症患者中发现了8种不同的白细胞轨迹亚型.
• 持续高的白细胞计数与预后较差,生命支持需求增加相关.
• 持续低白细胞计数与较高的死亡率相关,但通风侵入性较小.
• XGBoost模型有效地预测了高死亡率风险小组 (AUC > 0.8).
• 基于早期特征,SHAP分析区分了超炎性和低炎性败血症亚型.

结论:

• 白血球轨迹是败血症预后的关键独立预测指标,超过单个测量.
• 在ICU入院时,不同的临床特征预测了高死亡风险的败血症子组.
• 这些发现支持针对败血症患者的个性化早期干预策略.