在关键性IBD护理中随机森林驱动的死亡率预测:结合并发病模式和实时生理学的双数据库模型

科学领域:

• 危急护理医学
• 胃肠病学
• 数据科学与机器学习

背景情况:

• 在重症监护室 (ICU) 住院的炎症性肠病 (IBD) 患者因并发症而面临严重的死亡风险.
• 目前用于预测严重IBD患者的死亡率的预测工具有限.
• 通过分析复杂的临床数据,机器学习有可能改善风险分层.

研究的目的:

• 开发和验证基于ML的模型,用于重症IBD患者的死亡风险分层.
• 确定该患者队列中死亡率的关键预测因素.
• 创建一个可解读的临床用品.

主要方法:

• 来自MIMIC- IV数据库的551名IBD患者的分析,使用eICU数据集进行外部验证.
• 训练和评估9个ML算法来预测1年的死亡率.
• 使用人口统计学,并发症,实验室结果,生命体征和严重性得分作为预测因素,以SHAP为特征重要性和物流回归为名ogram构建.

主要成果:

• 随机森林模型在内部验证中显示出优异的区别 (AUC> 0.8).
• 确定的关键预测因素包括恶性病史,查尔森并发症指数 (CCI),红细胞分布宽度 (RDW),格拉斯哥昏迷表 (GCS),序列器官衰竭评估 (SOFA),年龄,心率,体重和性别.
• 在eICU队列中,开发的名图显示出强大的外部验证性能 (AUC> 0. 8).

结论:

• 一种基于ML的新型名谱被开发和验证,用于预测重症IBD患者的死亡率.
• 该名录集成了从多中心ICU数据中获得的可解释预测因素.
• 这种工具可以帮助对这一脆弱群体进行风险分层和临床决策.