在脑梗塞患者中预测ICU再入院:使用神经生理学和临床数据的机器学习方法

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 神经学 神经学

背景情况:

• 对脑梗塞 (CI) 患者的重置重症监护室 (ICU) 是一个重大的临床挑战.
• 预测模型可以帮助识别针对性干预的高风险患者.

研究的目的:

• 开发和验证基于机器学习 (ML) 的预测模型,用于CI患者的ICU再入院.
• 用MIMIC-IV数据库中的神经生理和临床数据来开发模型.
• 为了比较各种ML模型的性能来预测ICU再入院.

主要方法:

• 分析了来自MIMIC-IV数据库的3,348名CI患者的回顾性队列.
• 使用LASSO回归进行了特征选择.
• 开发和评估了多种ML模型 (决策树,KNN,LightGBM,Naïve Bayes,随机森林,SVM,XGBoost) 和后勤回归.

主要成果:

• 后勤回归模型显示出最高的预测性能,AUC为0.682 (95% CI:0.630-0.733).
• 对于ICU再入院的重要预测因素包括胃潰瘍疾病,葡萄糖皮质类药物使用,水平和红细胞计数.

结论:

• ML模型在预测CI患者的ICU再入院方面表现出有效性.
• 后勤回归为患者风险分层提供了一种临床上可解释的方法.
• 识别关键预测因素可以为临床决策和资源分配提供信息.