基于深度学习的30天死亡预测在严重疾病的骨和骨髓转移患者:一个多中心的回顾性队列研究
Yixi Wang1,2, Lintao Xia3, Yuqiao Tang4,5
1Department of Minimally Invasive Spine and Precision Orthopedics, The First Affiliated Hospital of Xinjiang Medical University, Urumqi 830054, China.
Current oncology (Toronto, Ont.)
|October 28, 2025
概括
深度学习模型可以预测骨和骨髓转移 (BBM) 严重病患者的30天死亡率. TabNet表现出强的表现,有助于早期风险分层,以改善患者护理.
科学领域:
- 在瘤学瘤学.
- 关键护理医学 关键护理医学
- 人工智能在医学中的应用
背景情况:
- 骨和骨髓转移 (BBM) 是晚期癌症的严重并发症,通常导致重症监护室 (ICU) 的入院和高死亡率.
- 危急性BBM患者的预后工具稀缺,阻碍了及时的临床决策.
研究的目的:
- 开发和验证深度学习模型,用于预测重症BBM患者的30天死亡率.
- 确定在ICU入院后的前24小时内死亡的关键临床预测因素.
主要方法:
- 一项利用MIMIC-IV,eICU-CRD和新疆医学大学第一附属医院的ICU数据进行的多中心队列研究.
- 使用XGBoost-Boruta和Lasso回归进行特征选择,随后对13个深度学习模型进行培训和验证.
- 使用AUC,平均精度,校准和决策曲线的性能评估,通过SHAP和注意力机制进行可解释性分析.
主要成果:
- TabNet实现了最高的内部性能 (AUC 0.878,AP 0.940) 并在不同的数据集中展示了强大的验证.
- 索法得分,血清和白蛋白一直被确定为死亡率的主导预测因素.
- 基于TabNet的在线计算器被开发用于床边风险估计.
结论:
- TabNet显示出作为一个准确和可解释的工具,用于在重症BBM患者中早期死亡风险分层的承诺.
- 这种方法可以支持在BBM相关的重症监护中更及时和个性化的临床决策.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.6K
