开发和验证可解释的机器学习模型,用于预测ICU中创伤性脑损伤患者的静脉血栓塞:多中心研究
Hao Qi1, Lingli Li2, Juan Fang3
1Department of Neurosurgery, the 904th hospital of PLA, Wuxi School of Medicine, Jiangnan University, Wuxi, Jiangsu Province, 214122, China.
World neurosurgery
|August 30, 2025
概括
一种新的逻辑回归模型准确地预测了重症监护室 (ICU) 创伤性脑损伤 (TBI) 患者的静脉血栓栓塞 (VTE) 风险. 这种工具可以帮助减少静脉瘤并发症,并改善TBI后的患者结果.
科学领域:
- 危急护理医学
- 神经学
- 数据科学
背景情况:
- 在重症监护室 (ICU) 的创伤性脑损伤 (TBI) 患者面临着静脉血栓栓塞 (VTE) 的重大风险.
- 及早准确预测静脉突发症对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测患有TBI的ICU患者的VTE风险.
- 在该患者群体中确定与静脉突发症相关的关键临床变量.
主要方法:
- 用于培训和外部验证的是来自MIMIC- IV的1564名TBI患者和来自中国ICU的304名TBI患者的数据.
- 使用Boruta和LASSO回归进行特征选择,训练有四种ML算法,包括后勤回归 (LR) 和支持矢量机 (SVM).
- 使用AUC,校准曲线和临床决策曲线评估模型的性能,并对特征的重要性进行SHAP分析.
主要成果:
- 静脉动脉突发症的独立危险因素包括住院时间,静脉血压,下肢骨折和肺部感染.
- 在试验组中,LR模型的AUC值为0.723;在外部验证组中,AUC值为0.759.
- SHAP分析确定了急症监护室停留时间和肺部感染为主要预测因素.
结论:
- 开发的LR模型显示了TBI患者早期静脉瘤的强大预测能力.
- 这种模式有助于减少VTE相关的并发症并改善患者的治疗结果.
