在ICU的败血症患者中早期预测血管压缩剂的启动,使用可解释的基于EHR的ML模型
Lucas Duval1,2, Antoine Villié3, Fei Zheng4
1Innovation and Partnerships (I&P) Department, bioMérieux S.A., Marcy L'Etoile, France.
BMC medical informatics and decision making
|December 15, 2025
概括
这项研究开发了一个可解释的机器学习模型,使用电子健康记录来预测重症监护室 (ICU) 败血症患者的血管压缩剂启动. 该模型提供了几个小时的预警,使得及时的血液动力学优化.
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
- 败血症管理管理
背景情况:
- 早期识别需要血管压缩剂的败血症患者对于血液动力学优化至关重要.
- 当前的床边指示器通常会信号即将发生的冲击,限制主动干预窗口.
研究的目的:
- 开发和验证可解释的基于电子健康记录 (EHR) 的机器学习模型.
- 预测治疗前几个小时在重症监护室 (ICU) 的败血症患者的血管压缩剂启动.
主要方法:
- 使用MIMIC-IV数据库 (2008-2019) 进行的回顾性研究,其中包括Sepsis-3 ICU住院.
- 匹配的病例 (服药6-48小时后开始使用血管压缩剂) 和对照病例 (没有血管压缩剂).
- 设计了人口,生理和实验室特征;训练并验证了七个算法,评估了Shapley值的解释性.
主要成果:
- 随机森林分类器实现了0.75的AUROC,超过了简单的替代品和双向LSTM.
- 关键预测因素包括平均血压下降,乳酸盐升高和异常血红素.
- 模型警报在血管压缩剂启动前2-4小时生成,提供可操作的领先时间.
结论:
- 常规收集的ICU数据可以通过可解释的输出预测血管压缩器的启动.
- 调查结果来自内部验证,需要谨慎解释.
- 需要外部验证和前性评估来确认可概括性和现实世界的影响.
