机器学习模型的开发和外部验证,用于在重症患者中早期预测营养不良:一项前性观察性研究
Yi Liu1, Yehua Xu2, Lixia Guo3
1Department of Nursing, Sichuan Provincial People's Hospital, University of Electronic Science and Technology of China, Chengdu, China.
BMC medical informatics and decision making
|July 3, 2025
概括
机器学习准确地预测了重症监护室 (ICU) 患者的营养不良. 一个XGBoost模型和网络工具有助于对重症患者的早期发现和临床决策.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的人工智能
- 营养科学 营养科学
背景情况:
- 在重症患者中早期发现营养不良对于及时干预和更好的结果至关重要.
- 预测营养不良风险是具有挑战性的,因为患者的病情复杂性.
- 这项研究开发并验证了用于ICU早期营养不良预测的机器学习模型.
研究的目的:
- 开发和外部验证机器学习模型,在ICU入院后24小时内预测营养不良.
- 创建一个基于网络的工具,用于临床决策支持,用于识别有风险的患者.
- 改善在重症监护机构中早期发现和管理营养不良.
主要方法:
- 开发并验证了机器学习模型,使用来自1006名ICU患者 (开发) 和300名 (外部验证) 的数据.
- 采用极端梯度提升 (XGBoost) 和其他六种模型,通过随机森林递归特征消除进行特征选择.
- 评估模型性能使用准确度,精度,回忆,F1得分,AUC-ROC和AUC-PR,并使用SHAP进行解释.
主要成果:
- 在测试组中,XGBoost模型显示了高预测准确度 (准确度为0.90,AUC-ROC为0.98).
- 外部验证证实了强大的性能 (精度为0.75,AUC-ROC为0.88),证明了通用性.
- 显著比例的患者在ICU入院时有中度 (34.0%) 和严重 (17.9%) 的营养不良.
结论:
- 机器学习,特别是XGBoost,在ICU中早期预测营养不良方面显示出重大前景.
- 开发的基于网络的工具是临床决策支持的宝贵资源.
- 早期识别营养不良可能导致及时干预和改善患者的结果.
