相关实验视频
Updated: Jan 12, 2026
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
471
在ICU患者中使用机器学习预测感染性休克的早期预测:开发,外部验证和SHAP的解释性
Haoyun Zhou1, Feng Li2, Xiaoxue Liu1
1Global Health Research Division, Public Health Research Center and Department of Public Health and Preventive Medicine, Wuxi School of Medicine, Jiangnan University, Wuxi 214122 Jiangsu, China.
International journal of medical informatics
|November 1, 2025
概括
机器学习模型可以使用常规收集的数据预测重症监护室 (ICU) 患者的败血性休克. 随机森林模型表现出强的表现,有助于早期毒症进展风险分层.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的人工智能
- 预测分析是一种预测分析.
背景情况:
- 败血性休克是一种危及生命的败血症并发症,死亡率高.
- 由于复杂的临床表现和动态的疾病进展,早期识别是困难的.
- 机器学习 (ML) 提供了在重症监护病房 (ICU) 中更好地预测感染性休克的潜力.
研究的目的:
- 开发和外部验证ML模型,用于预测ICU患者的败血性休克进展.
- 为了确定早期检测败血症休克的关键临床变量.
- 通过可解释的预测模型来增强临床决策.
主要方法:
- 使用了来自MIMIC-IV (培训) 和eICU-CRD (验证) 重症监护数据库的数据.
- 采用LASSO回归来进行变量选择,并训练了六个ML算法,包括随机森林 (RF).
- 使用AUC,F1得分和平衡精度评估模型性能;使用SHAP值评估可解释性.
主要成果:
- 包括11,383名败血症患者;2,259名 (培训) 和1,212名 (验证) 患有败血症.
- 射频模型实现了最高的性能 (AUC:0.785,平衡精度:0.717,F1得分:0.511).
- SHAP分析强调SOFA得分,心率,肌素,SAPS II和OASIS作为关键预测因素.
结论:
- 开发的ML模型可以使用标准ICU数据预测败血症休克.
- SHAP解释提高了模型的透明度和临床实用性.
- 这种方法支持及时的风险分层和数据驱动的决策,以改善患者的治疗结果.
