相关实验视频
Updated: May 11, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
119
基于凝血指数的可解释的机器学习模型,用于预测临界性败血症患者的败血性休克:一个多中心队列研究
Qing-Bo Zeng1, En-Lan Peng2, Ye Zhou3
1Intensive Care Unit, The 908th Hospital of Chinese PLA Logistic Support Force, Nanchang, 330002, China; Intensive Care Unit, Nanchang Hongdu Hospital of Traditional Chinese Medicine, Nanchang, 330038, China.
概括
这项研究开发并比较了机器学习 (ML) 模型,以预测败血症患者的败血症休克. 使用关键临床和实验室数据的支持矢量机 (SVM) 模型显示,与其他ML和传统方法相比,其预测性能优越.
科学领域:
- 关键护理医学 关键护理医学
- 计算生物学 计算生物学
- 血液学 血液学 血液学
背景情况:
- 败血性休克显著增加了败血症患者患有凝血病的死亡率.
- 现有的预测败血症休克的方法缺乏系统的比较.
- 准确预测败血症休克对于及时干预和改善患者的治疗结果至关重要.
研究的目的:
- 开发和比较各种机器学习 (ML) 算法和用于预测败血症患者的败血症休克的传统统计方法.
- 确定最有效的模型,用于早期识别患有感染性休克高风险的患者.
主要方法:
- 一项对484名进入重症监护室的败血症患者进行的回顾性队列研究.
- 使用全面的凝血和临床数据开发5个ML模型和1个传统统计模型.
- 使用接收器运行特征曲线下的面积,校准图和决策曲线分析进行性能评估;用于解释性的SHapley添加式解释 (SHAP).
主要成果:
- 37.2%的患者发生了败血性休克.
- 支持向量机 (SVM) 模型实现了最高的预测性能 (曲线下的面积: 0.962 在训练中,0.744 在验证中).
- 通过SVM模型识别的关键预测因素包括年龄,组织等离子体激活剂-抑制剂复合物,前列血时间,国际正常化比率,白细胞和血小板计数.
结论:
- 与其他ML和传统统计模型相比,SVM算法在预测败血栓冲击方面表现出卓越的性能.
- SHAP分析提高了医生对预测模型可靠性和变量重要性的理解.
- 开发的SVM模型为临床实践中早期的败血性休克预测提供了一个有前途的工具.
