一种机器学习方法,仅使用非侵入性参数预测低温患者72小时死亡率:一项多中心回顾性队列研究

科学领域:

• 医疗信息学 医疗信息学
• 关键护理医学 关键护理医学
• 机器学习 机器学习

背景情况:

• 准确的低温患者死亡风险预测对于及时的临床干预至关重要.
• 目前的预测方法往往是侵入性的,对于医院前的环境来说是不切实际的.

研究的目的:

• 开发和验证一种非侵入性机器学习模型,用于预测低温患者的死亡率.
• 用一个大型的多中心数据集来评估模型的性能.

主要方法:

• 利用来自eICU协作研究数据库的125家医院2700名低温患者的数据.
• 开发了基于非侵入性生理参数的四种机器学习技术的死亡率预测模型.
• 使用来自单独一组医院的数据验证模型性能.

主要成果:

• 机器学习模型实现了高预测性能,接收器操作特征曲线 (AUC) 下的面积为0.869.
• 特征选择确定了最佳子集,XGBoost模型使用更少的特征显示改进的AUC (0.039增长).
• 温度被确定为低温死亡率预测的关键特征.

结论:

• 一种强大可靠的低温患者的非侵入性死亡率预测模型已成功开发并在多个中心验证.
• 该模型提供了有价值的决策支持,特别是在远程或灾难场景中,侵入性监控具有挑战性.