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
用常规诊断后临床数据预测败血症患者早期死亡率的可解释机器学习模型:一项多中心研究
Wenwu Sun1, Lijuan Zhang2, Dan Mou3
1Department of Emergency Medicine, Daping Hospital, Army Medical University, State Key Laboratory of Trauma and Chemical Poisoning, Chongqing, 400042, People's Republic of China.
Journal of inflammation research
|November 3, 2025
概括
这项研究开发了一种机器学习模型,用于使用常规临床数据预测早期败血症死亡率. 该模型有效地识别高风险患者,改善及时干预和患者的治疗结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床预测模型临床预测模型
背景情况:
- 早期识别高风险败血症患者对于改善生存率至关重要.
- 在诊断时收集的常规临床数据可以用于预测建模.
- 开发准确的预测工具对于及时的临床决策至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测败血症患者的7天死亡率.
- 评估模型的性能与传统的评分系统相比.
- 确定早期败血症死亡率的关键临床预测因素.
主要方法:
- 利用了中国四家三级医院8729名败血症患者的数据.
- 训练和评估了七个机器学习算法,包括人工神经网络 (ANN).
- 在接收器操作曲线 (AUROC) 下使用的区域,校准曲线,决策曲线分析 (DCA) 和夏普利添加式解释 (SHAP) 进行评估和解释.
主要成果:
- 在7天死亡率预测方面,ANN模型实现了0.767的优异AUROC,超过APACHE II (0.710) 和SOFA (0.718).
- 通过SHAP分析确定的关键预测因素包括格拉斯哥昏迷表 (GCS),血和白蛋白水平.
- 模型性能得到了验证,并在训练和测试数据集中证明了一致性.
结论:
- 开发了一种强大的机器学习模型,使用现有的临床数据来预测早期败血症死亡率.
- 基于SHAP的解释提高了模型的透明度,帮助临床医生识别有风险的患者.
- 这种经过验证的工具具有临床应用的潜力,可以促进早期干预和改善患者的治疗结果.
