开发和验证基于机器学习的风险预测模型,用于ICU获得的弱点:一个前性队列研究
Yimei Zhang1, Yu Wang1, Jingran Yang1
1Department of Nursing, The First Affiliated Hospital of Kunming Medical University, No. 295, Xichang Road, Kunming, 650032, China.
European journal of medical research
|July 24, 2025
概括
机器学习有效地预测了重症监护室获得的弱点 (ICUAW) 风险. 这种方法有助于早期干预和标准化管理,可能减少重症患者的ICUAW发病率.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 在重症监护室获得的虚弱 (ICUAW) 是一种常见的并发症,影响重症患者,导致显著的长期发病率.
- 传统的风险预测模型与严重疾病的复杂性和异质性作斗争,限制了ICUAW的早期识别和预防.
- 机器学习 (ML) 提供了集成各种数据的高级功能,以提高预测准确性和个性化ICUAW风险评估.
研究的目的:
- 开发和验证机器学习模型,用于预测重症监护单位获得的弱点 (ICUAW) 的风险.
- 利用ML算法来识别高风险患者以获得早期干预和改善结果.
- 探索ML在发现与ICUAW相关的新风险因素和机制方面的潜力.
主要方法:
- 四种不同的机器学习算法被用于模型开发.
- 患者数据,包括临床,实验室和生理学参数,通过床边超声波在ICU入院后24小时内和第7天进行评估.
- 模型性能经过严格评估,使用诸如接收器操作特征曲线 (AUC) 下的面积,准确度,灵敏度,特异性和F1分数等指标.
主要成果:
- 这项研究招募了749名患者,51%的患者患有ICUAW.
- 极端梯度增强模型表现出卓越的性能,达到0.978的AUC,具有高精度 (0.924),灵敏度 (0.911) 和特异性 (0.941).
- 决策曲线分析进一步支持开发的ML预测模型的临床实用性和稳定性.
结论:
- 机器学习模型可以有效地识别患有重症监护病房获得弱点 (ICUAW) 高风险的患者.
- 开发的ML预测模型为管理ICUAW提供了一种标准化的方法.
- 实施这种基于ML的预测策略有望减少ICUAW的发生率并改善患者的预后.
