可解释的机器学习用于预测老年住院患者的塞福拉-苏尔巴克坦相关的凝血异常:双中心回顾性研究

科学领域:

• 老年医学 老年医学
• 药理学 药理学是指药理学的学科.
• 医疗信息学 医疗信息学

背景情况:

• 塞福拉-苏尔巴克坦经常用于老年人严重感染.
• 这种抗生素与凝血异常有关,特别是在营养不良或肝脏受损的患者中.
• 很难预测哪些老年患者有这些副作用的风险.

研究的目的:

• 在老年住院患者中创建和验证一种预测模型,用于赛福拉-苏尔巴克坦诱导的凝血问题.
• 开发用于临床风险评估的实用工具.

主要方法:

• 一项对485名老年患者 (≥60岁) 的回顾性研究,这些患者接受了塞福拉-苏尔巴克坦治疗,持续时间≥72小时.
• 使用后勤回归和10个机器学习模型分析临床和人口统计数据.
• 使用SHapley添加式解释 (SHAP) 评估模型的解释性;开发了一个名ogram和web计算器.

主要成果:

• 确定了独立预测因素:年龄≥75岁,低蛋白血症,全方位肠道营养,失眠和最近的口服抗生素使用.
• 轻GBM机器学习模型显示出最佳性能 (AUC,平衡指标).
• SHAP分析,名图和网络计算器有助于临床解释和患者特异性风险估计.

结论:

• 一种可解释的机器学习模型,名图和网络计算器准确地预测了老年患者中与塞福拉-苏尔巴克坦相关的凝血异常.
• 这些工具支持个性化的风险评估和及时的预防性干预.
• 网络计算器可以快速估计床边风险,指导监测和预防策略.