通过机器学习模型预测外科重症监护病房再入院:双中心培训和验证

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 关键护理医学 关键护理医学

背景情况:

• 外科重症监护室 (SICU) 的再入院与高死亡率和成本有关.
• 预测SICU再入院风险对于主动的患者管理至关重要.
• 开发准确的预测模型可以改善患者的治疗结果和资源配置.

研究的目的:

• 开发和验证一个机器学习 (ML) 模型,用于预测SICU再入院.
• 将各种ML算法的性能与传统方法进行比较.
• 确定与SICU再入院相关的关键临床因素.

主要方法:

• 两家医院分支机构电子医疗记录的回顾性分析.
• 开发和内部验证ML模型,包括后勤回归,随机森林,梯度增强,人工神经网络和支持向量机器.
• 与传统的物流回归方法相比,对表现最佳的模型进行外部验证.

主要成果:

• 梯度提升 (GB) 模型在内部验证中表现出卓越的性能,AUROC为0.82.
• 重新入院的关键预测因素包括中央静脉导管的使用,ICU前停留时间,血液尿素和卡巴的使用.
• 在外部验证队列中,GB模型的性能优于传统的后勤回归方法.

结论:

• 机器学习模型,特别是渐变增强,为预测SICU再入院提供了更高的准确性和可靠性.
• 机器学习模型为识别高风险患者提供了宝贵的工具,使得有针对性的干预措施成为可能.
• 这些发现支持将ML纳入临床实践,用于重症监护患者管理.