可解释机器学习模型集成心电图和急性生理学指标,用于预测重症患者的死亡率

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 心脏病学 心脏病学

背景情况:

• 在重症监护室 (ICU) 的重症患者面临高死亡风险.
• 传统的评分系统缺乏心电图 (ECG) 数据的整合.
• 需要在重症监护中改进预后工具.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于预测ICU患者的28天死亡率.
• 将心电图衍生特征与临床变量相结合,以提高预测能力.
• 为早期识别高风险患者创建一个新的风险评分.

主要方法:

• 对MIMIC-IV数据库 (18,256名患者) 的回顾性分析.
• 基于心电图的风险评分是使用深度残留卷积神经网络生成的.
• 通过XGBoost,SHapley添加物扩展和临床相关性进行特征选择.
• 使用ML算法开发和评估一个三变量模型 (ECG评分,APS-III,年龄).

主要成果:

• 开发的E3A评分 (心电图评分,APS-III,年龄) 在测试组中实现了0.806的AUC.
• 非幸存者的心电图分数显著更高 (p < 0.001).
• 后勤回归模型显示E3A分数的最佳歧视.

结论:

• 将心电图衍生特征与临床数据相结合,提高了ICU患者28天死亡率预测的准确性.
• E3A评分为早期风险分层提供了一个有前途的工具.
• 这种方法可以帮助临床决策在重症监护设置.