开发和验证可解释的机器学习模型,用于追溯识别疑似感染,用于败血症监测:一个多中心队列研究

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 败血症的研究研究.

背景情况:

• 鉴定疑似感染的败血症监测是一个重要的临床挑战.
• 机器学习 (ML) 为回顾性患者识别提供了一个潜在的解决方案.

研究的目的:

• 开发和验证可解释的ML模型,用于识别败血症患者.
• 为了改善败血症监测,对疑似感染的定义进行操作化.

主要方法:

• 在荷兰两家医院进行的一项多中心队列研究包括了具有快速序列器官衰竭评估 (qSOFA) ≥2.2的成年患者.
• 训练了七种ML方法,使用电子健康记录数据识别败血症,以手动图表审查为参考标准.
• 使用F1评分,灵敏度和特异性来评估性能,将最佳ML模型与Sepsis-3相比较,适应了ASE和ICD代码.

主要成果:

• 梯度增强模型在紧急部门 (ED) 队列 (F1得分85.9%) 和外部验证 (F1得分85.7%) 中取得了高绩效,优于其他定义.
• 关键特征包括炎症标志物 (CRP,体温) 和感染管理行动 (抗生素,培养物).
• 医院发作的败血症的表现较低 (F1得分为52.2%与后勤回归).

结论:

• 一个渐变增强ML算法准确地识别ED患者的疑似感染,超过目前的败血症监测代理.
• 将炎症反应和临床作用纳入定义,可以提高败血症监测的准确性.
• 建议在不同的环境和与其他器官功能障碍标准进行进一步验证.