机器学习模型用于预测急诊室皮肤和软组织感染患者的死亡率
Yu-Wei Chen1, Kai-Hsiang Wu1,2,3, Po-Han Wu1
1Department of Emergency Medicine, Chiayi Chang Gung Memorial Hospital, No. 6, W. Sec., Jiapu Rd. Chiayi County, Puzih City, 613, Taiwan.
Scandinavian journal of trauma, resuscitation and emergency medicine
|September 24, 2025
概括
预测皮肤和软组织感染 (SSTI) 的死亡率具有挑战性. 一个XGBoost机器学习模型准确地识别了急诊室 (ED) 的高风险患者,改善了早期风险分层.
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
- 传染病预测传染病的预测.
背景情况:
- 难以预测皮肤和软组织感染 (SSTI) 的死亡率.
- 机器学习 (ML) 模型可以提高急诊室 (ED) 的早期风险分层.
研究的目的:
- 开发和评估ML模型来预测ED患者的死亡率.
- 为此预测任务确定最有效的ML算法.
主要方法:
- 对1,294名患有SSTI的ED患者的回顾性分析 (2015年3月 - 2020年12月).
- 开发了五种ML模型:逻辑回归 (LR),k-最近邻居 (KNN),支向量机 (SVM),随机森林 (RF) 和极端梯度增强 (XGBoost).
- 创建一个简化的六变量XGBoost模型用于床边应用.
主要成果:
- 在五种模型中,XGBoost表现最高 (AUC=0.892).
- 简化的六变量XGBoost模型显示了改进的预测指标 (AUC=0.922),超过了减少数据需求的完整模型.
- 精简的模型实现了高灵敏度 (88.5%) 和特异性 (95.4%).
结论:
- 在预测SSTI死亡率方面,XGBoost显著优于其他ML模型.
- 简化的XGBoost模型提供了一个快速,准确和具有成本效益的工具,用于早期识别ED中高风险患者.
- XGBoost在处理临床数据方面的能力使其成为改善患者风险分层的理想选择.