基于多种机器学习方法和在线计算器,开发一种与败血症相关的妄风险预测模型
Lang Gao1, Guang Dong Wang2, Xing Yi Yang3
1Department of Critical Care Medicine, Clinical Medical College of Qinghai University, Xi ning, China.
PloS one
|July 16, 2025
概括
我们开发了一种可解释的机器学习模型,用于预测重症患者的败血症相关妄想 (SAD). 在线计算器有助于早期检测和管理,改善患者的治疗结果.
科学领域:
- 临界护理医学 临界护理医学
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 败血症相关妄 (SAD) 带来了重大的临床挑战,并导致幸存者的长期认知缺陷.
- 早期预测和治疗SAD对于改善患者的治疗结果和减少长期后果至关重要.
- 可解释机器学习为理解和预测SAD等复杂条件提供了一种新的方法.
研究的目的:
- 开发和验证可解释的机器学习模型,用于早期预测严重病患者的败血症相关狂妄症 (SAD).
- 为实时临床评估SAD风险构建一个在线风险计算器.
- 通过模型可解释性,增强对SAD风险因素的临床理解.
主要方法:
- 从MIMIC-IV数据库中对16120名患者进行了回顾性分析.
- 对于不平衡的数据,应用合成少数人过量采样技术 (SMOTE).
- 使用多变量逻辑回归,LASSO和Boruta算法进行特征选择.
- 使用八个机器学习算法开发和验证预测模型,选择了梯度增强机 (GBM).
- 使用夏普利添加式解释 (SHAP) 解释模型预测.
主要成果:
- 为预测模型确定了17个关键特征.
- GBM 模型表现出强大的预测准确性和出色的校准.
- SHAP分析确定了格拉斯哥昏迷量表 (GCS),ICU停留时间,化物,和SOFA评分作为关键风险因素.
- 基于最佳预测模型开发了一个在线网络计算器.
结论:
- 一个经过验证,可解释的机器学习模型准确地预测了重症患者的SAD.
- 开发的在线计算器为早期SAD识别和管理提供了一个实用的工具.
- 这种方法支持及时的临床干预,可能改善患者的治疗结果.
