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
469
基于机器学习的免疫损害和严重性评分,用于重症患者早期风险分层
Junlong Gao1, Qianqian Zhou2, Fangfang Han3
1The First School of Clinical Medicine, Lanzhou University, Lanzhou, Gansu, China; Intensive Care Unit, Gansu Provincial Hospital, Lanzhou, Gansu, China.
Anaesthesia, critical care & pain medicine
|November 8, 2025
概括
一个新的机器学习模型开发了一种免疫性损害和严重性 (ICS) 评分,以准确识别和分层ICU中的免疫性损害患者. 这一分数有助于早期临床决策和资源配置,以改善患者的治疗结果.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 免疫学 免疫学 免疫学
背景情况:
- 免疫性损害在ICU中很普遍,与糟糕的结果有关.
- 缺乏用于评估免疫性损害严重性的定量工具.
- 开发基于机器学习的评分对于ICU患者管理至关重要.
研究的目的:
- 为ICU患者开发和验证基于机器学习的免疫性损害评分.
- 创建一个风险分层系统,使用开发的评分.
- 为了能够及时识别和管理免疫受损个体.
主要方法:
- 涉及成年ICU患者的回顾性研究.
- 使用Boruta和LASSO算法进行特征选择.
- 使用XGBoost和机器学习模型开发和验证免疫损害和严重性 (ICS) 评分和简化的SICS评分.
- 主要终点:28天全因死亡率.
主要成果:
- 来自XGBoost的ICS得分显示出高性能 (AUC为0.887),表现优于APACHE II和SOFA.
- 简化SICS评分 (AUC 0.851) 使用第一天的数据进行快速评估.
- 这两种评分都有效地将患者分为低,中等和高风险组,与二次终点有显著的相关性.
结论:
- ICS和SICS得分准确地识别和分层危急病患者的免疫性损害.
- 该框架支持早期临床决策和资源分配.
- 这些分数为管理免疫功能低下的ICU患者提供了及时的解决方案.
更多相关视频
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
9.8K
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
2.3K
