心脏性休克中的PiCCO血液动力学参数:基于XGBoost机器学习模型的LVEF,NT-proBNP和MACE的预测
Jieyun You1, Tianwen Wei1, Yue Yu1
1Department of Cardiology, Shanghai East Hospital, School of Medicine, Tongji University, Shanghai, China.
Frontiers in medicine
|October 31, 2025
概括
这项研究表明,使用脉冲指数连续心力输出 (PiCCO) 参数的XGBoost模型可以有效预测心脏性休克患者的左心室喷射率 (LVEF),NT-proBNP水平和主要不良心血管事件 (MACE).
科学领域:
- 心脏病学 心脏病学
- 机器学习 机器学习
- 关键护理医学 关键护理医学
背景情况:
- 心脏性休克 (CS) 是一种具有高死亡率的危急疾病.
- 准确预测预后对于有效管理CS至关重要.
- 脉冲指数连续心脏输出 (PiCCO) 提供了有价值的血液动力学数据.
研究的目的:
- 研究PiCCO血液动力学参数在CS患者中的预测能力.
- 通过机器学习识别用于预测临床结果的关键PiCCO衍生特征.
- 在这种情况下,评估极端梯度增强 (XGBoost) 模型的性能.
主要方法:
- 使用XGBoost机器学习模型进行预测分析.
- 使用PiCCO的血液动力学参数作为输入特征.
- 通过使用多类接收机操作特征 (ROC) 曲线和SHAPley添加式解释 (SHAP) 值验证模型性能.
主要成果:
- 在预测左心室喷射分数 (LVEF) 和NT-proBNP水平方面,XGBoost表现出高准确度.
- 心脏指数 (CI),心脏功率指数 (CPI) 和全身血管阻力指数 (SVRI) 显著预测了LVEF和NT-proBNP.
- 左心室收缩率指数 (dPmax),心脏功能指数 (CFI) 和全球终端透气体积指数 (GEDVI) 显示了30天主要不良心血管事件 (MACE) 的预测值.
结论:
- 使用PiCCO血液动力学数据的XGBoost模型有效地预测心脏性休克的关键预后指标.
- 这种方法为CS患者的个性化治疗策略提供了坚实的基础.
- 使用先进分析的血液动力学监测可以改善临床决策在重症监护设置.
