在严重急性胰腺炎患者中基于机器学习的短期死亡率预测:一个多中心的回顾性队列研究
Congcong Cheng1,2, Dinghui Guo1,3, Jisheng Gu1,2
1Graduate School, Xuzhou Medical University.
Journal of clinical gastroenterology
|December 16, 2025
概括
本研究确定了严重急性胰腺炎 (SAP) 短期死亡的关键风险因素. 渐变增强机 (GBM) 模型有效预测高风险患者,帮助临床决策.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 严重的急性胰腺炎 (SAP) 具有显著的短期死亡风险.
- 早期识别高风险患者对于及时干预和改善结果至关重要.
研究的目的:
- 在SAP中确定与短期死亡率相关的风险因素.
- 开发和验证用于早期识别高风险SAP患者的预测模型.
- 在SAP管理中提供一个增强临床决策的工具.
主要方法:
- 分析了一组SAP患者,分为死亡率和生存率组.
- 使用LASSO回归,Boruta算法和RFE进行了特征选择.
- 通过使用MIMIC-IV数据构建和外部验证了七个机器学习模型,通过ROC曲线,校准和决策曲线评估性能.
主要成果:
- 确定了10个关键特征,包括机械通风,年龄和血液尿素.
- 梯度增强机 (GBM) 模型表现出优异的预测性能 (AUC培训:0.964,测试:0.927,验证:0.811).
- SHAP分析阐明了特征的重要性,基于网络的计算器证明了临床实用性.
结论:
- 梯度增强机 (GBM) 模型对于预测严重急性胰腺炎患者的短期死亡率非常有效.
- 开发的模型和相关计算器可以帮助临床医生识别有风险的个体并指导治疗策略.

