基于可解释的机器学习,对血液感染的并发病特异性死亡风险评分
Chen Cui1, Jinyi Zhao1, Fei Mu1
1Department of Pharmacy, Xijing Hospital, Fourth Military Medical University, Xi'an 710032, China.
The Journal of infection
|November 17, 2025
概括
一个新的血流感染异质性得分 (BHScore) 准确地预测了败血症患者的28天死亡率. 这一分数整合了早期临床数据和患者的并发症,以改善风险分层和及时干预.
科学领域:
- 临床医学 临床医学
- 传染性疾病 传染性疾病
- 医疗信息学 医疗信息学
背景情况:
- 血流感染 (BSI) 是败血症的主要原因,需要早期风险评估才能有效治疗.
- 现有的风险分层工具可能无法充分捕捉BSI患者的复杂性.
研究的目的:
- 开发和验证BSI患者28天死亡率的预测模型.
- 整合纵向临床数据,并在风险预测中考虑伴随性疾病驱动的异质性.
- 改善早期风险分层,以便及时干预BSI相关的败血症.
主要方法:
- 在2524名BSI患者的纵向临床数据 (前7天) 上使用机器学习开发了BSI异质性得分 (BHScore).
- 采用可解释的方法来确定病,肝病和转移性恶性瘤的并发症分层值.
- 利用西医院的数据进行模型开发和验证.
主要成果:
- 与SOFA得分相比,BHScore表现出优异的歧视性表现 (AUC:0.81-0.91) 和时间稳定性,提高了预测能力的10-25%.
- 确定了特定小组的预后指标:凝血生物标志物 (恶性病),炎症值 (肝病) 和尿素水平 (脏病).
- 为支持BHScore的临床应用,开发了一个免费访问的网络工具.
结论:
- 通过简单的临床指标,BHScore有效地识别了具有各种并发症的高风险BSI患者.
- 促进早期和有针对性的干预,可能降低败血症患者的死亡率.
- 强调在BSI风险预测中考虑并发症异质性的重要性.
