使用机器学习模型在老年ICU患者中早期预测败血症相关脑病变:基于MIMIC-IV数据库的回顾性研究
Yupeng Han1, Xiyuan Xie1, Jiapeng Qiu1
1Department of Anesthesiology, Shengli Clinical Medical College of Fujian Medical University, Fujian Provincial Hospital, Fuzhou University Affiliated Provincial Hospital, Fuzhou, Fujian, China.
Frontiers in cellular and infection microbiology
|May 2, 2025
概括
老年ICU患者的败血症相关脑病变 (SAE) 难以诊断. 这项研究开发了一种XGBoost模型,可以准确预测SAE,帮助早期临床识别并改善患者的治疗结果.
科学领域:
- 关键护理医学 关键护理医学
- 神经学 神经学
- 医疗保健中的机器学习
背景情况:
- 败血症相关脑病变 (SAE) 在老年ICU患者中很常见,影响预后.
- 由于症状重叠和缺乏生物标志物,早期SAE诊断具有挑战性.
- 这项研究的重点是开发在这个脆弱人群中SAE的预测模型.
研究的目的:
- 开发和验证一种机器学习模型,用于预测老年重症监护室 (ICU) 患者的败血症相关脑病变 (SAE).
- 使用先进的算法识别SAE的关键预测特征.
- 评估开发的预测模型的临床实用性和稳定性.
主要方法:
- 利用了MIMIC IV数据库中老年败血症患者的数据,分为训练和测试集.
- 采用LASSO-Boruta算法进行特征选择,随后开发了五个机器学习模型 (XGBoost,CatBoost,LGBM,MLP,SVM).
- 评估模型使用综合性指标 (AUC,精度,回忆,F1-Score,特异性,精度) 和夏普利添加式解释 (SHAP) 进行解释.
主要成果:
- 总共分析了3,156名患者,SAE发病率为48.7%,SAE患者的死亡率显著增加.
- XGBoost模型实现了最高的预测性能 (AUC=0.898,精度=0.830).
- 一个简化的XGBoost模型保持了强大的预测能力 (AUC=0.858),证明了临床价值和稳定性.
结论:
- XGBoost模型在预测老年ICU患者的SAE方面表现出高准确度和临床适用性.
- 这种模型可以作为一种有价值的工具,用于早期识别高风险个体.
- 进一步的验证和实施可以帮助治疗败血症的临床决策.
