来自Journal Citation Reports
研究背景
在过去的十年中，多种机器学习模型已经被用来预测重症监护病房（ICU）的结果，研究报告了其模型的优异性能，表明其在临床实践中的潜在用途。然而，模型的实时临床性能仍不清楚，因为大多数模型的开发是为了使用ICU入院的前24小时预测中长期结局，一般而言，临床ICU死亡率在前24小时达到峰值，然后随着ICU管理而下降，因此在将模型应用于临床常规监测之前，应验证模型的性能。并且，既往模型性能可能会因训练数据和临床设置而异。因此，应在多国队列中开发和验证使用大多数临床环境中常用测量变量的模型，以确保在其他临床环境中的良好性能。所以，我们的目标是开发一个基于机器学习的实时预测模型，用于重症患者的短期（24小时）死亡风险，仅使用大多数临床环境中电子健康记录中容易获得的变量。
研究摘要
研究背景: 需要一个预测危重患者短期死亡率的实时模型来识别处于迫在眉睫风险的患者。然而，在其临床应用之前，该模型的性能需要在各种临床环境和种族中进行验证。在这项研究中，我们的目标是在韩国的一个学术机构使用常规测量的临床变量开发一个集成机器学习模型。方法：使用深度学习和轻量级梯度提升机模型开发了一个集成模型。内部验证使用了来自韩国南部一家单一学术医院（SNUH）2007年至2021年的内部队列数据集的最后两年。外部验证使用了完整的重症监护医疗信息市场（MIMIC）、eICU-合作研究数据库（eICU-CRD）和阿姆斯特丹大学医学中心数据库（AmsterdamUMCdb）数据。计算了接收器操作特征曲线下的面积（AUROC），并与国家早期预警评分（NEWS）进行了比较。结果：开发的模型表现出较高的预测性能，内部AUROC为0.964和外部AUROC为0.890，eICU-CRD为0.886，AmsterdamUMCdb为0.870。该模型在内部和外部验证中优于具有更高AUROC的NEWS（内部为0.866，MIMIC为0.746，eICU-CRD为0.798，AmsterdamUMCdb为0.819; p 结论：我们的实时机器学习模型预测危重患者的短期死亡率，在内部和外部验证中表现出色。该模型可能是一个有用的决策支持工具，在重症监护病房，以协助临床医生。
研究设计思路导图
doi: 10.1186/s13054-024-04866-7
本文荟萃自公众号：双鱼医学，只做学术交流学习使用，不做为临床指导，本文观点不代表数字重症立场。
微信扫一扫 