一个基于机器学习的整体风险分层工具,用于预测严重心血管疾病患者的30天死亡率
Mingxing Lei1,2,3, Xiao Liu4, Longcan Cheng5
1Department of Nursing, The First Medical Center of Chinese People's Liberation Army General Hospital, No.28 Fuxing Road, Haidian District, Beijing, 100853, People's Republic of China. leimingxing2@sina.com.
Cardiovascular diabetology
|October 1, 2025
概括
一个整体机器学习模型准确地预测了严重心血管疾病患者的30天死亡率. 这种先进的模型超越了传统的评分系统,为更好的患者结果提供了改进的风险分层.
科学领域:
- 心血管医学 心血管医学
- 关键的护理关键的护理
- 医疗保健中的机器学习
- 预测模型的预测建模
背景情况:
- 预测心血管疾病重症患者的早期死亡率是一个重大的临床挑战.
- 现有的严重性评分系统往往缺乏准确的风险分层在这个人群中所需的精度.
研究的目的:
- 开发和验证一个整体机器学习 (ML) 模型,用于预测严重心血管疾病患者的30天死亡率.
- 将整体ML模型的性能与传统的严重程度得分进行比较.
- 评估压力高血糖比率 (SHR) 的增量预后值.
主要方法:
- 对1595名患有心血管疾病和糖尿病的ICU患者进行了回顾性分析.
- 训练了6个ML模型,前三名表演者被组合成一个合奏模型.
- 用AUC,精度回忆,校准和临床效用等指标评估模型性能.
主要成果:
- 整体ML模型实现了0.912的优异AUC,超过了单个ML模型和传统分数 (APS III,SOFA,SAPS II).
- 关键预测因素包括抗高血压药物,阿司匹林,BUN,WBC,年龄和红细胞,并确定了复杂的风险模式.
- 虽然SHR改进了传统的乐谱,但它被添加到合奏模型中带来了有限的增量效益.
结论:
- 与传统方法相比,开发的整体ML模型在预测30天死亡率方面表现出卓越的性能.
- 该模型为高风险心血管患者的风险分层提供了一个可解释的框架.
- SHR在增强传统乐谱方面显示出实用性,但不是高级合奏模型.
