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
机器学习增强的败血症选:使用SHAP解释的元组模型进行实时ICU死亡率预测
Hülya Yilmaz Başer1, Turan Evran2, Mehmet Akif Cifci3,4
1Department of Emergency Medicine, Faculty of Medicine, Bandirma Onyedi Eylul University, 10250 Balıkesir, Türkiye.
Biomedicines
|June 26, 2025
概括
这项研究引入了一个可解释的AI框架,用于预测败血症死亡率,优于传统的评分系统. 人工智能模型增强了早期干预和改善患者存活率的临床决策.
科学领域:
- 人工智能在医学中的应用
- 机器学习用于医疗保健
- 计算生物学和生物信息学
背景情况:
- 败血症带来了显著的死亡风险,特别是在重症监护病房.
- 传统的评分系统 (qSOFA,SIRS,NEWS) 对及时的败血症管理缺乏准确性.
- 优化算法和元启发学为医疗保健中的复杂问题提供先进的解决方案.
研究的目的:
- 开发一种新的,可解释的机器学习框架,用于预测败血症患者的住院死亡率.
- 改进现有的临床评分系统的诊断准确度,以治疗败血症.
- 为了利用生物灵感优化算法,在重症监护中增强预测建模.
主要方法:
- 分析了败血症患者的回顾性数据集,包括临床和实验室特征.
- 合成少数群体过量采样技术和归算方法解决了数据不平衡和缺失的值.
- 开发并验证了一种混合模型,该模型结合了ensemble ML和深度学习,并通过Red Piranha优化算法进行了优化.
主要成果:
- 拟议的AI模型实现了高预测性能,接收器操作特征曲线下的面积为0.96.
- 该模型的布里尔分数为0.118和回忆率为81%,表明其精度更高.
- 人工智能框架在预测败血症死亡率方面明显优于传统的评分系统.
结论:
- 人工智能驱动的工具显示出在败血症管理中增强临床决策的巨大潜力.
- 对败血症死亡率的早期和准确预测可以促进及时干预.
- 这项研究强调了高级机器学习和优化技术在重症监护机构的价值.
