基于机器学习的胃肠道出血风险分层:来自MIMIC数据库的证据
Yuxin Duan1, Weifan Sui1, Zefeng Cai1
1Department of Interventional Radiology, The Affiliated People's Hospital of Jiangsu University, Zhenjiang, Jiangsu, China.
Frontiers in medicine
|December 22, 2025
概括
一个机器学习模型准确地预测了重症监护室 (ICU) 肝硬化患者的胃肠道出血 (GIB). 发现抗凝剂治疗具有保护性,降低了这些高风险患者的GIB风险.
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
- 胃肠病学 胃肠病学
背景情况:
- 胃肠道出血 (GIB) 是 ICU 中肝硬化危急病患者的常见和严重并发症.
- 早期识别高风险的GIB患者对于及时干预和改善结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ICU中肝硬化患者的住院GIB.
- 确定GIB的关键预测因素,并评估模型在风险分层方面的临床实用性.
主要方法:
- 使用MIMIC-IV和EICU数据库进行的回顾性队列研究 (分别为3,160和523名ICU肝硬化患者).
- 训练和评估了六个ML算法;选择了随机森林 (RF).
- 使用Boruta算法,相关性分析和VIF确定变量重要性; SHAP分析用于解释. 多变量逻辑回归分析了抗凝剂治疗的影响.
主要成果:
- 射频模型在训练队列中实现了0.86的AUC,在测试队列中达到0.72,具有良好的灵敏度和特异性.
- 关键预测因素包括红细胞计数,血红蛋白,血小板计数和抗凝剂治疗.
- 抗凝剂的使用独立地与ICU内GIB风险显著降低相关 (OR:0.29).
结论:
- 开发的RF模型在预测ICU中肝硬化患者的GIB风险方面表现强.
- 该模型利用随时可用的临床数据,促进危险的及时分层和个性化的预防策略在重症监护.
