相关实验视频
Updated: Sep 18, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
319
通过优化机器学习算法,提高毒症相关急性呼吸窘迫综合征患者的早期死亡率预测:SAFE-Mo的开发和多个数据库的验证
Luofeng Jiang1,2, Chuting Yu3, Chaoran Xie1
1Department of Burn Surgery, The First Affiliated Hospital of Naval Medical University, Shanghai, China.
International journal of surgery (London, England)
|June 20, 2025
概括
一个新的机器学习模型SAFE-Mo准确地预测了与败血症相关的ARDS患者的早期死亡率. 这种工具有助于临床医生识别高风险个体,以便及时干预并改善结果.
科学领域:
- 临界护理医学 临界护理医学
- 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:
- 与败血症相关的急性呼吸困难综合征 (ARDS) 携带高死亡率.
- 由于全球严重的败血症负担,早期预测败血症相关ARDS的死亡率至关重要.
- 与败血症相关的ARDS致命性评估模型 (SAFE-Mo) 是为了满足这一需求而开发的.
研究的目的:
- 开发和验证一种机器学习模型 (SAFE-Mo),用于预测败血症相关ARDS患者的早期死亡率.
- 将SAFE-Mo的性能与已建立的临床风险评估模型进行比较.
- 评估SAFE-Mo.的临床实用性和通用性.
主要方法:
- 使用了来自MIMIC-IV,eICU CRD和NWICU数据库的数据.
- 使用机器学习算法 (svmRadialSigma) 构建SAFE-Mo,以中位数存活日为主要结果.
- 在外部验证SAFE-Mo并使用AUC,DCA和校准曲线与APSIII,SAPS II,SOFA和CCI进行比较.
主要成果:
- 与传统模型相比,SAFE-Mo在早期死亡方面表现出优越的预测能力.
- 该模型表现出最大的合理风险值概率范围和最高的净收益.
- 校准曲线显示死亡风险的整体估值略高,但该模型有助于识别高风险患者 (例如乳酸盐水平高的患者).
结论:
- SAFE-Mo有效地预测了与败血症相关的ARDS患者的早期死亡率,优于传统模型.
- 该模型可以帮助临床医生识别危险分层的关键指标,如乳酸盐,尿液输出和离子间隙.
- SAFE-Mo为高风险患者提供了个性化治疗策略和优化资源利用.
