基于机器学习的个性化预后模型,用于ICU获得的血液感染

科学领域:

• 关键护理医学 关键护理医学
• 传染性疾病 传染性疾病
• 医疗保健中的机器学习

背景情况:

• 在重症监护病房获得的血液感染 (ICU-BSI) 是重症监护病房 (ICU) 死亡的重要原因.
• 预测ICU-BSI的预后对于有效的患者管理和资源分配至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测ICU-BSI的预后.
• 确定与ICU-BSI患者28天死亡率相关的关键临床变量.

主要方法:

• 从两个中心 (中国的AMU和美国的MIMIC-IV) 采用了来自成年患者的血液培养的数据,这些血液培养是在ICU入院后≥48小时抽取的.
• 开发并优化了使用例行收集的临床变量和时间序列数据的 eXtreme Gradient Boosting (XGBoost) 模型.
• 在内部使用AMU数据集,在外部使用MIMIC-IV数据集验证模型.

主要成果:

• XGBoost模型表现出强大的预测性能,接收器操作特征曲线 (AUROC) 下的区域在培训中为0.92,在内部验证中为0.85.
• 28天死亡率的关键预测因素包括抗生素持续时间,血小板数量,血清肌素,侵入性机械通风持续时间和查尔森并发症指数 (CCI).
• 使用SHAP分析确定的前10个变量的简化模型保持了良好的准确性,外部验证AUROC为0.71.

结论:

• 使用多中心时间序列数据开发并外部验证了针对ICU-BSI的基于ML的个性化预后模型.
• 该模型有助于早期识别高风险患者,从而能够及时干预.
• 通过提高预后准确度,优化ICU资源配置的潜力.