机器学习模型用于预测ICU患者内脑内出血的败血症
Lei Tang1,2,3,4,5,6,7, Ye Li1,2,3,4,5,6,7, Ji Zhang1
1Department of Neurology, Xiangya Hospital, Central South University, Jiangxi, Nanchang, 330006, Jiangxi, China.
Scientific reports
|May 10, 2025
概括
机器学习模型可以预测重症监护室内脑内出血患者的败血风险. 随机森林模型表现出高准确度,有助于早期检测和管理这些脆弱患者的败血症.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 神经学 神经学
背景情况:
- 脑内出血 (ICH) 患者面临患败血症的高风险.
- 早期的败血症检测对于改善重症监护室 (ICU) 设置的结果至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在预测ICUICH患者中败血症风险方面的有效性.
- 在这个患者群体中确定败血症的关键预后因素.
主要方法:
- 从MIMIC-IV数据库中对ICH患者的回顾性分析,分为培训和验证集.
- 利用最小绝对收缩和选择运算符 (LASSO) 和向后渐进的物流回归来确定预后因素.
- 开发和评估了各种ML模型,包括随机森林 (RF),神经网络和物流回归,在eICU-CRD上进行外部验证.
主要成果:
- 随机森林 (RF) 模型实现了优异的预测性能,曲线下的面积 (AUC) 为0.912 (培训),0.832 (内部验证) 和0.798 (外部验证).
- 其他ML模型,如神经网络和物流回归,也显示出有希望的预测能力.
- 分析包括2,214名患者,其中1,550人在培训组中,664人在验证组中,513人在外部验证中.
结论:
- 机器学习模型,特别是射频模型,在预测ICUICH患者的败血症风险方面是有效的.
- 这些模型有助于早期识别和及时管理ICH患者高风险败血症病例.
- 这些发现支持整合ML工具,以加强在重症监护中的败血症监测.
