使用循环免疫细胞参数预测急性呼吸困扰综合征风险的机器学习模型:一项回顾性研究
Kaihuan Zhou1, Lian Qin1, Yin Chen1
1Intensive Care Unit, The Second Affiliated Hospital of Guangxi Medical University, No 166 Daxuedong Road, Nanning, 530007, Guangxi, China.
BMC infectious diseases
|April 21, 2025
概括
机器学习准确地预测了使用免疫细胞计数的败血症患者急性呼吸困扰综合征 (ARDS) 风险. 这有助于早期干预,以获得更好的结果.
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
- 生物统计学 生物统计学
背景情况:
- 败血症相关的急性呼吸窘迫综合征 (ARDS) 的死亡率很高.
- 在败血症中早期识别ARDS风险至关重要,但在传统方法中具有挑战性.
研究的目的:
- 开发一种机器学习 (ML) 模型,以预测败血症患者的ARDS风险.
- 利用循环免疫细胞参数和生理数据进行预测.
主要方法:
- 分析了来自10,559名败血症患者的临床数据 (MIMIC-IV数据库).
- 使用各种ML算法 (XGBoost,随机森林,SVM等) 和PCA用于缩小维度.
- 使用AUC,精度,灵敏度,特异性和F1得分评估模型性能;使用SHAP进行特征解释.
主要成果:
- XGBoost模型实现了最高的性能,AUC为0.764.
- 确定了关键预测因素:平均动脉压,单细胞计数,中性粒细胞计数,pH值和血小板计数.
- SHAP分析阐明了特征对模型预测的贡献.
结论:
- 结合免疫细胞参数的XGBoost模型有效地预测了败血症中的ARDS风险.
- 这种ML工具可以帮助早期识别和干预高风险败血症患者.
- 需要进一步验证和临床整合.
