机器学习预测脓毒症患者血流动力学不稳定
目的 在脓毒症患者中建立基于生命体征监测数据的血流动力学不稳定事件预测模型.方法 从重症监护病房合作研究数据库(eICU-CRD)的脓毒症患者中识别在重症监护病房(ICU)住院期间发生的血流动力学不稳定事件.提取事件发生前6h的连续生命体征监测数据(包括心率、呼吸和血氧饱和度)作为阳性样本,在未发生血流动力学不稳定事件的脓毒症患者中随机抽取6h生命体征监测数据为阴性对照样本.建立并训练极致梯度提升(XGBoost)、轻量的梯度提升机(LightGBM)以及深度神经网络(DNN)模型进行建模及训练.利用受试者工作特征曲线下面积(ROC-AUC)对模型效能进行评估,使用最优的模型在脓毒症血流动力学...
Gespeichert in:
Veröffentlicht in: | 中国急救医学 2023, Vol.43 (11), p.892-897 |
---|---|
Hauptverfasser: | , , , , , , , , |
Format: | Artikel |
Sprache: | chi |
Online-Zugang: | Volltext |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Zusammenfassung: | 目的 在脓毒症患者中建立基于生命体征监测数据的血流动力学不稳定事件预测模型.方法 从重症监护病房合作研究数据库(eICU-CRD)的脓毒症患者中识别在重症监护病房(ICU)住院期间发生的血流动力学不稳定事件.提取事件发生前6h的连续生命体征监测数据(包括心率、呼吸和血氧饱和度)作为阳性样本,在未发生血流动力学不稳定事件的脓毒症患者中随机抽取6h生命体征监测数据为阴性对照样本.建立并训练极致梯度提升(XGBoost)、轻量的梯度提升机(LightGBM)以及深度神经网络(DNN)模型进行建模及训练.利用受试者工作特征曲线下面积(ROC-AUC)对模型效能进行评估,使用最优的模型在脓毒症血流动力学不稳定事件发生前1h和前2h对事件的发生进行预测.结果 本研究共提取阳性样本 2 569 例,阴性对照样本7 048 例.XGBoost、LightGBM以及DNN模型预测脓毒症血流动力学不稳定事件的ROC-AUC值分别为0.78、0.77 和0.61.XGBoost模型在脓毒症血流动力学不稳定事件发生前1h、前2h进行预测的ROC-AUC值分别为0.76 和0.75.结论 在ICU的脓毒症患者中,基于连续生命体征监测数据的机器学习模型可用于血流动力学不稳定事件的预测. |
---|---|
ISSN: | 1002-1949 |
DOI: | 10.3969/j.issn.1002-1949.2023.11.008 |