一个基于机器学习的风险预测模型,用于重症患者中心房动的风险预测模型
Laith Alomari1, Yaman Jarrar2, Zaid Al-Fakhouri3
1Department of Medicine, Jefferson Einstein Philadelphia Hospital, Thomas Jefferson University, Philadelphia, Pennsylvania.
Heart rhythm O2
|June 11, 2025
概括
机器学习准确地预测了重症监护室 (ICU) 患者的心房动 (AF). 一个新的紧型模型识别了高风险的个人进行早期干预,改善了结果.
科学领域:
- 关键护理医学 关键护理医学
- 心脏病学 心脏病学
- 医疗保健中的人工智能
背景情况:
- 心房动 (AF) 在重症患者中显著增加了发病率和医疗费用.
- 目前的AF预测工具在重症监护室 (ICU) 设置中缺乏有效性.
研究的目的:
- 开发和验证一种机器学习模型,用于早期识别ICU患者的AF风险.
- 创建一个新的,紧的模型,结合独特的风险因素,以改善预测.
主要方法:
- 从MIMIC-IV数据库对46,266名成年ICU患者的回顾性分析.
- 培训和评估多个机器学习模型,包括CatBoost,用于在入院后48小时内预测AF.
- 使用15个变量和两个新特性开发一个紧的模型,通过SHAP分析验证.
主要成果:
- 4.6%的患者在48小时内发展出AF.
- CatBoost 型号实现了 0.850 的 AUROC;紧型号实现了 0.820 的 AUROC.
- 关键预测因素包括血清,年龄和新的复合风险特征.
结论:
- 机器学习模型显示出在ICU中预测AF的巨大潜力.
- 开发的紧型模型为高风险ICU患者的早期风险分层和干预提供了一个实用的工具.
