基于机器学习的预后分析,在神经重症监护病房的状态患者

科学领域:

• 神经科学是一个神经科学.
• 计算医学是一种计算医学.
• 关键护理医学 关键护理医学

背景情况:

• 状态 (SE) 是一种具有显著发病率和死亡率的神经紧急情况.
• 预测SE患者多系统并发症的预后仍然具有挑战性.
• 现有的临床评分在准确分层风险方面存在局限性.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测状态 (SE) 患者的预后.
• 将各种ML算法的性能与已建立的临床分数进行比较.
• 确定SE中不利结果的关键预后因素.

主要方法:

• 开发和评估了六种ML模型:LASSO逻辑回归,KNN,SVM,DT,RF和XGBoost.
• 通过使用曲线下的面积 (AUC) 度量来验证模型性能.
• 将ML模型与STESS,ENDIT和EMSE分数进行比较.

主要成果:

• XGBoost模型实现了最高的AUC (0.825),超过了其他ML模型和临床评分.
• 通过SHAP分析确定的关键预测因素包括低albuminemia,营养风险评分,年龄和通风持续时间.
• 低albuminemia成为最重要的预后因素.

结论:

• XGBoost在SE预后方面表现出卓越的预测性能,可提前识别高风险患者.
• 这些发现强调了系统性因素的重要性,如低albuminemia,在SE结果.
• 这种ML方法可以帮助及时进行临床干预,并改善神经临床护理中的患者管理.