机器学习模型的开发和多中心验证,用于关键疾病创伤性脊柱损伤患者的术后败血症风险
Yixi Wang1, Wenzhe Li2, Jian Cui2
1Department of Minimally Invasive Spine and Precision Orthopedics, The First Affiliated Hospital of Xinjiang Medical University, Urumqi, China.
Injury
|December 13, 2025
概括
这项研究开发了一种机器学习模型,用于预测危急性创伤性脊柱损伤 (TSI) 患者的术后败血症. 该模型证明了早期风险分层的强大性能和可解释性.
科学领域:
- 关键护理医学 关键护理医学
- 机器学习应用 机器学习应用
- 败血症预测预测的方法
背景情况:
- 手术后败血症是重症性创伤性脊髓损伤 (TSI) 患者的严重并发症.
- 对于这种特定的并发症,现有的预测工具缺乏.
- 早期识别风险患者对于及时干预至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测重症TSI患者的术后败血症.
- 为早期风险分层和临床决策支持提供一个工具.
- 确保模型可以在不同的队列中进行解释和概括.
主要方法:
- 利用MIMIC-IV和eICU-CRD数据库进行模型开发和外部验证,包括中国的 TSI队列.
- 采用Boruta和Group-Lasso回归来进行预测器选择,然后对13名基础学习者进行堆叠.
- 通过ROC-AUC,PR-AP,校准,决策/提升曲线和SHAP分析来评估性能.
主要成果:
- 堆叠模型实现了高的预测性能 (ROC-AUC 0.918训练,0.889验证) 和精度 (PR-AP 0.938训练,0.936验证).
- 外部验证证实了一致的性能,卓越的临床实用性和有效的高风险分层.
- SHAP分析确定了手术负担,严重程度和血液动力学/脏/凝血因素作为关键预测因素,确保了模型的解释性.
结论:
- 这是首个经过验证的机器学习模型,用于重症TSI患者的术后败血症.
- 该模型表现出强大的性能和可解释性,使早期风险分层成为可能.
- 它支持临床决策,以改善这种脆弱人群中患者的治疗结果.
