开发和验证基于机器学习的诺莫格拉姆模型,集成LASSO回归和多种评估方法,用于预测急性腹部早期败血症风险
Lili Du1,2, Li Song3, Chao Gao4
1Department of Clinical Laboratory, Huangshi Central Hospital, Affiliated of Hubei Polytechnic University, Guilin North Road, No 16, Huangshi, Hubei, 435003, People's Republic of China.
European journal of medical research
|February 21, 2026
概括
这项研究开发了一种机器学习名图,用于预测急性腹部患者的败血症风险,识别早期干预的AKI和休克等关键预测因素. 该模型的准确性很高,有助于临床决策和改善患者的治疗结果.
科学领域:
- 关键护理医学 关键护理医学
- 机器学习在医疗保健中的应用
- 对败血症的预测建模.
背景情况:
- 对急性腹部次要的败血症显著增加了死亡率.
- 目前的生物标志物和评分系统对早期败血症预测有局限性.
- 及时干预对于改善败血症结果至关重要.
研究的目的:
- 开发和验证基于机器学习的诺米克图,用于预测急性腹部病患者的败血症风险.
- 为了确定这种患者群体中败血症发展的独立风险因素.
主要方法:
- 利用LASSO回归与十倍交叉验证从临床和实验室数据中选择预测因素.
- 使用已识别的变量构建了一个名录,并使用AUC-ROC,Hosmer-Lemeshow测试,DCA和CIC验证了它的性能.
- 随机将383名患者分为培训 (70%) 和验证 (30%) 组.
主要成果:
- 确定了六个独立的预测因子:AKI,休克,TCO2,低蛋白血,高NLR和淋巴细胞衰减.
- 命名图表显示出优异的区分 (AUC 0.929培训,0.934验证) 和强大的校准.
- 决策曲线分析 (DCA) 和临床影响曲线 (CIC) 证实了显著的临床效用.
结论:
- 一个经过验证的血红图有效地预测了急性腹部患者的败血症风险.
- 该模型的强性能支持其用于早期风险分层.
- 这种工具有可能增强对败血症管理的临床决策支持.
