XGBoost在诊断败血症相关血小板缺血方面表现优于其他机器学习模型:一项多中心回顾性研究

科学领域:

• 计算生物学和生物信息学
• 医学信息学和人工智能

背景情况:

• 败血症相关的血小板缺血是一种常见的并发症,与患者不良后果有关.
• 目前针对败血症相关的血小板缺血的诊断方法面临挑战,需要先进的方法.
• 机器学习 (ML) 模型有可能提高重症监护机构的诊断准确性.

研究的目的:

• 为了比较各种ML模型对败血症相关的血小板缺血的诊断性能.
• 评估随机森林 (RF),人工神经网络 (ANN),极端梯度增强 (XGBoost) 和天真贝叶斯 (NB) 模型.
• 通过使用预定义的性能指标评估模型有效性,并确定关键诊断变量.

主要方法:

• 来自两个中心的1447名败血症患者的电子健康记录 (2013-2023) 的回顾性分析.
• 数据分为80%的培训和20%的测试集,对培训数据进行了10倍的交叉验证.
• 使用准确度,精度,F1分数,接收器操作特征曲线 (AUROC) 下面面积和混矩阵的性能评估;通过SHAP.功能重要性分析.

主要成果:

• 在53.4%的败血症患者中存在血栓塞缩症.
• 在交叉验证期间,XGBoost以91.10%的准确度和92.31%的F1分数表现出卓越的性能.
• 所有评估的模型 (RF,ANN,XGBoost,NB) 在交叉验证和测试集上都实现了超过90%的AUROC值.

结论:

• XGBoost模型的诊断性能最高,交叉验证的AUROC为98.60%,测试组的AUROC为97.50%.
• ML模型,特别是XGBoost,显示出精确和高效诊断败血症相关的血小板缺血的巨大潜力.
• 这些发现支持将先进的ML工具集成到临床实践中,以改善败血症管理.