机器学习算法用于风险因素选择,适用于老年骨骨折队列的60天败血症发病风险
Zhe Xu1,2, Ruguo Zhang2, Qiuhan Chen1
1Department of Emergency, The Affiliated Hospital of Guizhou Medical University, Guiyang, 550004, China.
BMC geriatrics
|August 5, 2025
概括
这项研究开发了一种机器学习模型,用于预测老年关节骨折患者60天的败血症风险. 该模型识别了诸如肺炎和糖尿病等因素,与qSOFA相比,显示出更高的预测价值.
科学领域:
- 老年医学 老年医学
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 在老年人中,部骨折后的败血症是死亡的重要危险因素.
- 识别败血症的早期风险因素对于改善患者的治疗结果至关重要.
研究的目的:
- 在老年人中部骨折后查与60天败血症发病率相关的危险因素.
- 使用机器学习算法建立血发病率的预测模型.
主要方法:
- 利用最少绝对缩小和选择操作员 (LASSO),博鲁塔算法和随机生存森林 (RSF) 来对697名老年患者进行风险因素查.
- 使用考克斯比例危险分析开发了一个预测模型,并在内部和外部验证了它.
- 使用歧视,校准和决策曲线分析,将模型的性能与快速SOFA (qSOFA) 评分进行了比较.
主要成果:
- 确定了肺炎,营养状况,年龄,糖尿病,血红蛋白水平和BMI作为败血症发病率的关键预测因素.
- 开发的模型表现出强大的预测性能,C指数为0.83 (训练),0.78 (测试) 和0.76 (外部验证).
- 与qSOFA得分相比,该模型表现出更好的区别和临床适用性.
结论:
- 一个基于机器学习的模型有效地预测了老年患者的骨骨折后60天的败血症发病率.
- 这种预测模型在临床使用中比现有的qSOFA评分系统提供了潜在的优势.
