作为脊髓损伤结果的动态生物标志物,例行血液测试的建模轨迹
Marzieh Mussavi Rizi1, Daniel Fernández2, John L K Kramer3,4
1School of Public Health Sciences, University of Waterloo, Waterloo, ON, Canada.
NPJ digital medicine
|July 22, 2025
概括
常规血液检查可以预测急性脊髓损伤 (SCI) 的结果. 机器学习模型分析血液标志物动态,准确预测死亡率,SCI发生率和严重程度,优于传统的评分系统.
科学领域:
- 生物医学信息学 生物医学信息学
- 神经学 神经学
- 临床医学 临床医学
背景情况:
- 常规收集的血液测试提供了对生理变化的洞察力.
- 在急性脊髓损伤 (SCI) 中,血液测试动态的预测潜力仍未得到充分探索.
研究的目的:
- 调查血液测试动态对患者急性SCI后的结果的预测有效性.
- 开发和验证用于预测医院死亡率,SCI发生率和SCI严重性的机器学习模型.
主要方法:
- 使用了MIMIC数据库 (n=2615) 用于模型开发和TRACK-SCI数据 (n=137) 用于验证.
- 确定了常见血液标记物的独特轨迹.
- 开发了动态机器学习模型来预测关键的临床结果.
主要成果:
- 住院死亡率预测模型在第一天达到0.79的ROC-AUC,到21日改善到0.89.
- 在SCI发生和严重程度的模型中,ROC-AUC分别达到0.71和0.81,在第21天和第7天.
- 开发的模型超过了SAPS II评分的性能,用于预测住院七天后的结果.
结论:
- 常规血液检查的动态分析为急性SCI提供了有价值的预测信息.
- 基于血液标记物轨迹的机器学习模型可以显著提高死亡率,SCI诊断和严重程度的预测.
- 这些发现表明一种新的,数据驱动的方法来管理急性SCI患者.
