基于人工智能的多专业死亡预测模型,用于多中心回顾性研究中的败血性休克

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 感染性休克是重症监护室 (ICU) 死亡的主要原因之一.
• 早期预测死亡风险对于及时干预和改善患者结果至关重要.
• 现有的预测模型可能在不同ICU设置中缺乏通用性.

研究的目的:

• 开发和验证一种用于预测死亡风险的新型污水冲击分类融合 (TCF) 模型.
• 整合多个机器学习模型,使用类似于理想解决方案的订单偏好技术 (TOPSIS) 来提高预测准确性.
• 评估模型在不同ICU专科和多个中心的表现.

主要方法:

• 利用了4872名患有败血性休克的ICU患者的数据集,从2003年2月到2023年11月在三个医院收集数据.
• 开发了一个基于TOPSIS的分类融合 (TCF) 模型,集成了七种不同的机器学习算法.
• 通过内部和外部验证,使用曲线下面面积 (AUC) 度量,包括跨专业和多中心评估来评估模型性能.

主要成果:

• 在内部验证中,TCF模型实现了0.733的AUC.
• 在专业ICU (0.808在儿科ICU,0.662在呼吸器ICU) 和外部验证 (0.784和0.786) 期间观察到显著的AUC.
• 该模型在不同专业和多个医疗保健中心中显示出高稳定性和准确性.

结论:

• 开发的基于TOPSIS的分类融合 (TCF) 模型是一个稳定而准确的工具,用于预测败血症休克死亡风险.
• 这种可解释的模型可以作为临床医生可靠的早期预警系统.
• 通过促进早期干预,TCF模型有可能显著降低败血症休克患者的死亡率.