优化临床预测模型,针对重症患者的新发动心房动:基于机器学习

科学领域:

• 关键护理医学 关键护理医学
• 心脏病学 心脏病学
• 医疗信息学 医疗信息学

背景情况:

• 新发性心房动 (NOAF) 在重症患者中存在重大风险,包括栓塞和突然死亡.
• 鉴定可修改的风险因素和预测NOAF发病率仍然具有挑战性,因为数据有限.

研究的目的:

• 调查在重症监护室 (ICU) 患者中与NOAF相关的风险因素.
• 使用机器学习算法开发和验证NOAF的优化临床预测模型.

主要方法:

• 从2019年8月到2022年1月的ICU患者数据的回顾性分析.
• 使用LASSO回归和随机森林 (RF) 来进行变量选择.
• 构建并比较了后勤回归,射频,梯度增强和支向量机器模型.
• 使用混矩阵,校准曲线,DCA,NRI,IDI和学习曲线评估模型性能.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 年龄,心率,平均动脉压,激活的部分血栓形成时间和大脑天然尿素被确定为独立的预测因素.
• 射频模型在训练 (AUROC 0.758) 和验证 (AUROC 0.796) 两组中都显示出优异的预测性能.
• 与其他模型相比,RF通过DCA,NRI和IDI显示了最佳的准确性,校准和临床实用性.
• SHAP分析为个人风险预测提供了洞察力.

结论:

• 随机森林模型在预测重症患者的NOAF方面非常有效.
• 这种机器学习方法可以帮助临床医生识别高风险个体.
• 该模型具有指导临床决策和改善患者治疗结果的潜力.