在重症监护室 (ICU) 中,开发和验证中风患者意识障碍风险预测模型:一项回顾性研究
Gang Fang1, Liping Wang2, Xinhua Liu1
1School of Nursing, Xinjiang Medical University, Ürümqi, China.
Frontiers in medicine
|January 14, 2026
概括
这项研究开发了一种机器学习模型,用于预测中风患者的意识障碍. 光梯度增强机 (LightGBM) 模型准确识别有风险的患者,帮助早期干预.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 脑卒中是导致神经障碍的主要原因,通常导致意识障碍.
- 对中风患者的意识障碍的准确预测对于及时的临床管理至关重要.
- 现有的预测方法可能缺乏复杂的ICU环境所需的精度和适应性.
研究的目的:
- 开发和验证机器学习模型,用于预测重症监护室中风患者的意识障碍.
- 通过使用大量患者数据集,确定中风后意识障碍的关键预测因素.
- 确定用于临床风险评估的最佳机器学习算法.
主要方法:
- 在密集护理医疗信息中心 (MIMIC) -IV数据库中利用了2,434名中风患者的数据.
- 采用多变量逻辑回归来确定意识障碍的独立预测因子.
- 构建并评估了11个机器学习算法,包括光梯度增强机 (LightGBM),用于预测建模.
主要成果:
- 确定住院时间,机械通风,鼻胃管使用和SOFA分数作为独立预测指标 (p < 0.001).
- 轻GBM模型表现出优异的性能,曲线下的面积 (AUC) 为0.824 (训练) 和0.795 (验证).
- 校准曲线和决策曲线分析 (DCA) 证实了模型的准确性,稳定性和临床实用性.
结论:
- 住院时间,机械通风,鼻胃管和SOFA分数是ICU中风患者意识障碍的重要预测因素.
- 基于LightGBM的预测模型为早期风险分层提供了一个强大而个性化的工具.
- 这种工具可以帮助临床医生及时进行干预,潜在地减少与中风后意识障碍相关的并发症.
