加强重症监护病房死亡率预测:改进使用长期短期记忆的APACHE II,SOFA和SAPS II评分系统
Yuhan Deng1, Shihai Li1, Jiaxing Li1
1Chongqing Research Institute of Big Data, Peking University, Chongqing, 401121, China.
Internal and emergency medicine
|May 5, 2025
概括
长期短期记忆 (LSTM) 模型通过分析时间数据动态显著改善了重症监护室 (ICU) 死亡率预测. 这种先进的方法超过了传统的物流回归 (LR) 评分系统,如APACHE II,SOFA和SAPS II.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
背景情况:
- 传统的重症监护室 (ICU) 死亡率预测依赖于使用最差值数据的逻辑回归 (LR) 模型,忽视时间动态.
- 像APACHE II,SOFA和SAPS II这样的现有评分系统在关键的前24小时内捕捉完整的患者数据轨迹方面存在局限性.
研究的目的:
- 通过使用长短期记忆 (LSTM) 算法来提高ICU患者死亡率预测的准确性.
- 为了利用从时间序列数据中收集的时间信息,在ICU入院后的最初24小时内收集.
主要方法:
- 从密集护理-IV (MIMIC-IV) 数据库中对1336名ICU患者的回顾性分析.
- 开发基于LSTM的预测模型,使用三个数据表示:APACHE II,SOFA和SAPS II变量的原始小时,分类小时和小时总得分.
- 使用接收器运行特征曲线 (AUC) 下的面积,灵敏度,特异性,F1得分和Brier得分的性能评估,与传统的LR模型相比.
主要成果:
- 在所有评分系统中,LSTM模型的表现明显优于LR模型 (例如,APACHE II:LSTM AUC 0.898与LR AUC 0.777).
- 使用原始小时数据的LSTM模型显示出卓越的准确性,特别是对于APACHE II系统 (P=0.021).
- 与传统的LR方法相比,所有LSTM模型在预测性能上都显示出了显著的改进.
结论:
- 将时间序列数据与LSTM模型相结合,大大提高了ICU死亡率预测的准确性.
- 这种基于时间数据的方法比传统的静态评分系统有了显著的进步.
- 基于LSTM的模型有可能重新定义临床决策支持工具在重症监护.
