基于机器学习的28天预后模型对患有AB感染的ICU患者进行研究

科学领域:

• 医疗信息学 医疗信息学
• 传染性疾病 传染性疾病
• 关键护理医学 关键护理医学

背景情况:

• Acinetobacter baumannii (AB) 对重症监护室 (ICU) 患者构成重大威胁,需要准确的预后工具.
• 现有的预后模型可能无法完全捕捉AB感染的ICU人群中死亡率预测的复杂性.

研究的目的:

• 开发和验证基于机器学习的28天预后模型,用于被诊断为Acinetobacter baumannii感染的ICU患者.
• 确定关键的临床变量,包括顺序器官衰竭评估 (SOFA) 评分和机械通风持续时间 (DurationMV),这些变量可以预测这个患者群体的死亡率.

主要方法:

• 来自147名患有AB感染的ICU患者的临床数据的回顾性收集.
• 应用单变量和多变量COX生存分析,以及拉索回归用于变量选择.
• 使用机器学习技术构建和验证预测模型,根据曲线和校准曲线下的面积进行评估.

主要成果:

• 多变量分析确定SOFA分数和持续时间MV作为AB感染的ICU患者死亡率的独立预测指标.
• 开发的预测模型实现了曲线下的面积超过80%,证明了良好的预测性能.
• 更高的SOFA分数和更长的持续时间MV与28天死亡率的增加有显著联系.

结论:

• 一个基于机器学习的强大的28天预后模型成功地为患有AB感染的ICU患者开发.
• 该模型包含SOFA分数和持续时间MV,为预测死亡率和指导患者管理提供了宝贵的临床实用性.
• 持续时间MV在这个特定的患者队列中,与单独的SOFA得分相比,显示出更高的预后值.