机器学习模型用于预测ICU治疗后自发性下大脑关节出血的患者的死亡率
Wenwen Hu1, Danfeng Yu1, Liwen Zhang2
1Department of Neurological Intensive Care Unit, Taihe Hospital, Hubei University of Medicine, Shiyan, China.
Frontiers in neurology
|October 3, 2025
概括
这项研究开发了一种后勤回归模型,用于预测自发性脑下垂体出血 (SAH) 患者的住院死亡率. 该模型准确识别高风险个体,有助于早期临床干预和改善患者的治疗结果.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 自发性下关节出血 (SAH) 是一种具有高死亡率的关键脑血管事件.
- 早期风险分层对于改善SAH患者的预后和指导治疗至关重要.
研究的目的:
- 开发和验证自发性SAH患者住院死亡率的预测模型.
- 确定关键的临床特征与死亡风险在重症监护室 (ICU) 设置.
主要方法:
- 使用MIMIC-IV数据库进行回顾性队列研究.
- 通过LASSO回归选择特征,构建8个机器学习模型.
- 模型性能使用AUC,准确性,精度,回忆,布里尔得分,乔丹指数和校准斜率进行评估.
主要成果:
- 包括1,121名患者;251人死亡.
- 为模型构建选择了12个特征.
- 后勤回归模型在评估的模型中显示出优越的预测性能.
结论:
- 后勤回归模型有效预测自发SAH患者的死亡风险.
- 早期识别高风险患者可以指导临床管理.
- 建议进行外部验证和前性研究.
