开发和验证一种机器学习模型,用于预测重症监护病房获得的弱点
Felipe Kenji Nakano1,2, Nathalie Van Aerde3, Grégoire Coppens3
1Department of Public Health and Primary Care, KU Leuven KULAK, Etienne Sabbelaan 53, 8500, Kortrijk, Belgium. felipekenji.nakano@kuleuven.be.
Intensive care medicine experimental
|September 30, 2025
概括
机器学习模型可以使用早期患者数据预测重症监护室 (ICU) 获得的弱点 (ICU-AW). 这有助于识别需要量身定制护理协议的高需求患者.
科学领域:
- 临界护理医学 临界护理医学
- 医疗保健中的机器学习
- 患者的治疗结果.
背景情况:
- 对于有针对性的护理,早期识别面临高成本和需求风险的重症监护室 (ICU) 患者至关重要.
- 在第一周内在ICU获得的软弱 (ICU-AW) 是不良结果的预测指标,但早期预测具有挑战性.
- 在ICU入院24小时内使用可用的数据开发预测模型对于及时干预至关重要.
研究的目的:
- 开发和验证用于预测ICU-acquired weakness (ICU-AW) 的机器学习模型.
- 为了早期风险评估,利用ICU入院前24小时内随时可用的数据.
- 识别那些可能受益于特定护理协议的急需患者.
主要方法:
- 使用了来自EPaNIC试验的600名患者的一个子集,如果医疗研究委员会 (MRC) 的总分在第9天高于48,则诊断ICU-AW.
- 他们比较了三个预测模型:一个随机森林和一个使用第1天数据的后勤回归模型,以及一个仅使用APACHE II评分的随机森林.
- 模型使用100次重复的五倍交叉验证进行了内部验证.
主要成果:
- 在培训组中,ICU-AW的发生率为38.6%.
- 随机森林模型实现了接受器运行特征曲线 (AUROC) 下的面积为76%,超过了物流回归 (74%).
- 随机森林模型证明了良好的校准和临床有用性,识别了关键预测因素,如APACHE II,肌素和SOFA分数.
结论:
- 机器学习模型,特别是随机森林,可以有效地预测ICU-AW风险,使用ICU入院前24小时的数据.
- 这种预测工具使得严重病情严重的成年患者的早期预后成为可能.
- 该模型有可能识别高成本,高需求的患者,需要不同级别的护理.
