在ICU中的机器学习:预测患有抗卡巴尼姆抗性格拉姆阴性细菌血流感染的患者的死亡率.
Özlem Güler1, Volkan Alparslan2, Burak İnner3
1Department of Infectious Diseases and Clinical Microbiology, Kocaeli University Medical School, Izmit, Turkey.
Journal of intensive care medicine
|March 16, 2026
概括
一个机器学习模型准确地预测了重症监护室 (ICU) 患者的死亡率,这些患者患有多药耐药的グラム阴性细菌感染. 该工具有助于为这些关键感染做出早期干预和终身护理决策.
科学领域:
- 关键护理医学 关键护理医学
- 传染病 传染病 传染病
- 机器学习在医疗保健中的应用
背景情况:
- 由多种药物和抗卡巴胺抗性细菌 (MDR/CRGNB) 引起的血液感染与重症监护室 (ICU) 的高死亡率有关.
- 准确的死亡率预测对于及时调整治疗和明智的终身护理计划至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测诊断为MDR/CRGNB血流感染的ICU患者的15天死亡率.
- 确定影响该患者群体死亡率的关键临床和实验室因素.
主要方法:
- 一项回顾性队列研究,涉及2017-2023年期间197名患有MDR/CRGNB血流感染 (Klebsiella pneumoniae,Pseudomonas aeruginosa,Acinetobacter baumannii) 的成年ICU患者.
- 使用5倍交叉验证对10个机器学习分类器进行评估,其性能指标包括AUROC,AUPRC,准确性,精度,回忆,F1分数,MCC和Brier分数.
- 使用夏普利添加式解释 (SHAP) 解释模型预测,以确定显著的风险因素.
主要成果:
- 光梯度增强机 (LightGBM) 分类器实现了卓越的性能,显示了0.94的AUROC和0.952.95的AUPRC.
- 通过SHAP分析确定的死亡率的关键预测因素包括凝血病,快速抗生素给药,感染性休克,SOFA得分,血小板数量,CRP水平和与时间相关的变量.
- 队列中的15天整体死亡率为48%.
结论:
- 开发的LightGBM模型对准确预测患有MDR/CRGNB血流感染的ICU患者的死亡率有显著的前景.
- 这种预测工具有可能促进早期的临床干预,并支持有关患者护理和终身规划的关键决策.