机器学习模型的开发和验证,用于预测创伤性脊髓损伤的重症患者的7天死亡率:一个多中心回顾性研究
Yixi Wang1,2, Xinkai Luo1, Jingjie Wang2,3
1Department of Minimally Invasive Spine and Precision Orthopedics, The First Affiliated Hospital of Xinjiang Medical University, Urumqi, China.
Neurocritical care
|June 25, 2025
概括
机器学习预测了创伤性脊髓损伤 (TSCI) 患者的7天死亡率. 随机森林模型识别高风险个体,帮助临床决策以获得更好的结果.
科学领域:
- 神经学和重症监护医学 神经学和重症监护医学
- 医疗保健中的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 创伤性脊髓损伤 (TSCI) 在重症监护中提出了重大挑战,尽管有进展,但与高短期死亡率有关.
- 早期识别高风险患者对于优化治疗和改善重症监护室 (ICU) 的生存率至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测TSCI重病患者的7天死亡率.
- 用数据驱动方法确定与TSCI患者的短期死亡率相关的关键临床指标.
主要方法:
- 利用密集护理医疗信息中心 (MIMIC) 2.2数据库进行模型开发和外部验证,使用来自新疆医学大学第一附属医院的数据.
- 雇佣了Boruta和LASSO来选择特征,并评估了10个机器学习算法,包括随机森林 (RF),用于7天死亡率预测.
- 使用ROC曲线,校准曲线,决策分析和关键指标评估模型性能,并使用Shapley附加解释来解释可解释性.
主要成果:
- 随机森林 (RF) 模型在各种数据集和评估指标中预测7天死亡率方面表现出卓越的表现.
- 射频模型发现的关键预测指标包括最低体温,最低缩血压和查尔森并发症指数.
- 外部验证证实了该模型的稳定性,这导致了临床医生在线生存概率计算器的开发.
结论:
- 开发的射频模型是有效的预测7天死亡率在重症TSCI患者.
- 这种预测工具在支持ICU中的临床决策和资源分配方面具有重大潜力.
- 该研究强调了机器学习在加强中枢神经系统严重损伤患者管理方面的价值.
