在使用统计和机器学习方法的部骨折患者的术后ICU入院后,与延长住院相关的预测因素:一项回顾性单中心研究
Volkan Alparslan1, Sibel Balcı2, Ayetullah Gök3
1Department of Anaesthesiology and Reanimation, Faculty of Medicine, Kocaeli University, 41001 Kocaeli, Turkey.
Healthcare (Basel, Switzerland)
|October 16, 2025
概括
机器学习模型可以预测 ICU 护理后关节骨折患者的延长住院时间. 关键预测因素包括手术时间,低白蛋白和ASA得分,有助于资源管理.
科学领域:
- 老年医学 老年医学
- 密集护理医学 密集护理医学
- 医疗信息学 医疗信息学
背景情况:
- 关节骨折在老年人中很普遍,由于并发症,经常需要进入重症监护室 (ICU).
- 长期住院后ICU影响患者的结果,并发症率和医疗保健支出.
- 预测延长住院时间对于优化资源配置和患者管理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测部骨折患者在ICU后的长时间住院 (>7天) 的情况.
- 在这个患者队列中确定与长时间住院相关的关键因素.
- 加强临床决策和ICU床位利用策略.
主要方法:
- 对366名进入第三级重症监护室的关节骨折患者进行了回顾性分析.
- 在变量选择中应用最小绝对缩小和选择运算符 (LASSO) 回归.
- 机器学习模型的训练和评估 (逻辑回归,随机森林,极端梯度增强,决策树) 使用AUROC,F1得分和准确性等指标.
- 使用SHAP值来解释最佳性能模型 (XGBoost) 中的特征重要性.
主要成果:
- 极端梯度增强 (XGBoost) 模型表现出强大的预测性能 (AUROC 0.80,召回 0.92,F1得分 0.78).
- 延长住院时间的重要预测因素包括从骨折到手术的时间,低albuminemia和美国麻醉学会 (ASA) 评分.
- 该模型有效地将患者分为短期和长期住院组.
结论:
- 机器学习模型可以准确地预测ICU后关节骨折患者的延长住院时间.
- 识别的预测因素为临床管理和资源规划提供了宝贵的见解.
- 开发的模型显示了改善重症监护机构患者流动和临床决策支持的潜力.