一个机器学习模型,用于在严重病情的败血症患者中可靠地预测败血症引起的凝血病

科学领域:

• 关键护理医学 关键护理医学
• 血液学 血液学 血液学
• 数据科学数据科学数据科学

背景情况:

• 败血症诱导的凝血病 (SIC) 是败血症患者的常见并发症,与增加的死亡率和不良预后有关.
• 早期和准确的SIC预测对于及时干预和改善患者管理至关重要.

研究的目的:

• 开发和验证一种实用的机器学习 (ML) 模型,用于预测患有败血症的重症患者的SIC风险.
• 将各种ML模型的预测性能与顺序器官衰竭评估 (SOFA) 评分进行比较.

主要方法:

• 一项回顾性队列研究,利用了来自MIMIC-IV和内蒙古自治区人民医院数据库的数据.
• 开发和比较9个ML模型,根据培训,内部和外部验证数据集的性能进行最佳模型选择.
• 使用塞普西斯-3标准和使用国际血栓形成和血液静止学会 (ISTH) 标准的SIC来定义败血症.

主要成果:

• 梯度增强机 (GBM) 模型表现出卓越的预测准确性和可靠性.
• 在GBM模型中,AUC值为0.773 (培训),0.730 (内部验证) 和0.966 (外部验证).
• 根据SHAP值确定的主要危险因素包括总胆红素,RDW,SBP,肝素和BUN.

结论:

• 开发了一种最佳且可操作的ML模型,用于预测败血症患者的SIC风险.
• 开发的ML模型在预测SIC方面优于传统的SOFA评分模型.
• 这些发现突显了ML在提高SIC早期检测和管理方面的潜力.