目的:应用支持向量机(support vector machine,SVM)构建ICU中急性肾功能损伤(acute kidney injury,AKI)患者住院死亡风险预测模型,并比较其与ICU中常用的简化急性生理评分(the simplified acute physiology scoreⅡ,SAPS-Ⅱ)的预测性能...目的:应用支持向量机(support vector machine,SVM)构建ICU中急性肾功能损伤(acute kidney injury,AKI)患者住院死亡风险预测模型,并比较其与ICU中常用的简化急性生理评分(the simplified acute physiology scoreⅡ,SAPS-Ⅱ)的预测性能。方法:使用重症监护医学信息市场(medical information mart for intensive careⅢ,MIMIC-Ⅲ)数据库作为数据来源。根据2012年国际改善全球肾脏病预后组织(Kidney Disease:Improving Global Outcomes,KDIGO)发表的《急性肾损伤临床实践指南》选取MIMIC-Ⅲ数据库中的AKI患者,使用SAPS-Ⅱ中所用到的全部变量构建SVM模型,同时,使用MIMIC-Ⅲ数据库定制本地化的SAPS-Ⅱ模型,并比较其与SVM模型的性能优劣。模型性能的评价方法使用五折交叉验证,评价指标使用受试者工作特征曲线下面积(area under the receiver operation characteristic curve,AUROC)、均方根误差(root mean squared error,RMSE)、灵敏度、特异度和准确率。此外,使用Bland-Altman图评估两模型预测结果的一致性。结果:共纳入19 044例AKI患者,死亡率为13.58%。五折交叉验证的结果显示,SVM模型和定制版SAPS-Ⅱ模型的平均AUROC分别为0.86和0.81,差异有统计学意义(t=13.0,P<0.001),SVM模型和定制版SAPS-Ⅱ模型的平均RMSE分别为0.29和0.31,差异有统计学意义(t=-9.6,P<0.001)。在灵敏度和约登指数方面,SVM模型也均优于定制版的SAPS-Ⅱ模型,差异均具有统计学意义(P分别为0.002和<0.001)。Bland-Altman图显示当患者死亡风险极高或者极低时,两模型预测结果的一致性较好。当患者死亡风险的不确定性较大时,两模型预测结果的一致性较差。结论:相比于传统的SAPS-Ⅱ模型,SVM模型的预测性能更优,且当患者的死亡风险不确定时,这种优势尤其明显;SVM模型更有利于AKI患者的死亡风险识别与早期干预,能有效地帮助ICU临床医生提高医疗质量,有很强的临床应用价值。展开更多
目的:基于集成学习算法建立患者再入重症监护病房(intensive care unit,ICU)的风险预测模型,并比较各个模型的预测性能。方法:使用美国重症医学数据库(medical information mart for intensive care,MIMIC)-Ⅲ,根据纳入、排除标准筛选患...目的:基于集成学习算法建立患者再入重症监护病房(intensive care unit,ICU)的风险预测模型,并比较各个模型的预测性能。方法:使用美国重症医学数据库(medical information mart for intensive care,MIMIC)-Ⅲ,根据纳入、排除标准筛选患者,提取人口学特征、生命体征、实验室检查、合并症等可能对结局有预测作用的变量,基于集成学习方法随机森林、自适应提升算法(adaptive boosting,AdaBoost)和梯度提升决策树(gradient boosting decision tree,GBDT)建立再入ICU预测模型,并比较集成学习与Logistic回归的预测性能。使用五折交叉验证后的平均灵敏度、阳性预测值、阴性预测值、假阳性率、假阴性率、受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)和Brier评分评价模型效果,基于最佳性能模型给出重要性排序前10位的预测变量。结果:所有模型中,GBDT(AUROC=0.858)优于随机森林(AUROC=0.827),略好于AdaBoost(AUROC=0.851)。与Logistic回归(AUROC=0.810)相比,集成学习算法在区分度上均有较大的提升。GBDT算法给出的变量重要性排序中,平均动脉压、收缩压、舒张压、心率、尿量、血肌酐等变量排序靠前,相对而言,再入ICU患者的心血管功能和肾功能更差。结论:基于集成学习算法的患者再入ICU预测模型表现出较好的性能,优于Logistic回归。使用集成学习算法建立的再入ICU风险预测模型可用于识别再入ICU风险高的患者,医务人员可针对高风险患者采取干预措施,改善患者的整体临床结局。展开更多
文摘目的:应用支持向量机(support vector machine,SVM)构建ICU中急性肾功能损伤(acute kidney injury,AKI)患者住院死亡风险预测模型,并比较其与ICU中常用的简化急性生理评分(the simplified acute physiology scoreⅡ,SAPS-Ⅱ)的预测性能。方法:使用重症监护医学信息市场(medical information mart for intensive careⅢ,MIMIC-Ⅲ)数据库作为数据来源。根据2012年国际改善全球肾脏病预后组织(Kidney Disease:Improving Global Outcomes,KDIGO)发表的《急性肾损伤临床实践指南》选取MIMIC-Ⅲ数据库中的AKI患者,使用SAPS-Ⅱ中所用到的全部变量构建SVM模型,同时,使用MIMIC-Ⅲ数据库定制本地化的SAPS-Ⅱ模型,并比较其与SVM模型的性能优劣。模型性能的评价方法使用五折交叉验证,评价指标使用受试者工作特征曲线下面积(area under the receiver operation characteristic curve,AUROC)、均方根误差(root mean squared error,RMSE)、灵敏度、特异度和准确率。此外,使用Bland-Altman图评估两模型预测结果的一致性。结果:共纳入19 044例AKI患者,死亡率为13.58%。五折交叉验证的结果显示,SVM模型和定制版SAPS-Ⅱ模型的平均AUROC分别为0.86和0.81,差异有统计学意义(t=13.0,P<0.001),SVM模型和定制版SAPS-Ⅱ模型的平均RMSE分别为0.29和0.31,差异有统计学意义(t=-9.6,P<0.001)。在灵敏度和约登指数方面,SVM模型也均优于定制版的SAPS-Ⅱ模型,差异均具有统计学意义(P分别为0.002和<0.001)。Bland-Altman图显示当患者死亡风险极高或者极低时,两模型预测结果的一致性较好。当患者死亡风险的不确定性较大时,两模型预测结果的一致性较差。结论:相比于传统的SAPS-Ⅱ模型,SVM模型的预测性能更优,且当患者的死亡风险不确定时,这种优势尤其明显;SVM模型更有利于AKI患者的死亡风险识别与早期干预,能有效地帮助ICU临床医生提高医疗质量,有很强的临床应用价值。
文摘目的:基于集成学习算法建立患者再入重症监护病房(intensive care unit,ICU)的风险预测模型,并比较各个模型的预测性能。方法:使用美国重症医学数据库(medical information mart for intensive care,MIMIC)-Ⅲ,根据纳入、排除标准筛选患者,提取人口学特征、生命体征、实验室检查、合并症等可能对结局有预测作用的变量,基于集成学习方法随机森林、自适应提升算法(adaptive boosting,AdaBoost)和梯度提升决策树(gradient boosting decision tree,GBDT)建立再入ICU预测模型,并比较集成学习与Logistic回归的预测性能。使用五折交叉验证后的平均灵敏度、阳性预测值、阴性预测值、假阳性率、假阴性率、受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)和Brier评分评价模型效果,基于最佳性能模型给出重要性排序前10位的预测变量。结果:所有模型中,GBDT(AUROC=0.858)优于随机森林(AUROC=0.827),略好于AdaBoost(AUROC=0.851)。与Logistic回归(AUROC=0.810)相比,集成学习算法在区分度上均有较大的提升。GBDT算法给出的变量重要性排序中,平均动脉压、收缩压、舒张压、心率、尿量、血肌酐等变量排序靠前,相对而言,再入ICU患者的心血管功能和肾功能更差。结论:基于集成学习算法的患者再入ICU预测模型表现出较好的性能,优于Logistic回归。使用集成学习算法建立的再入ICU风险预测模型可用于识别再入ICU风险高的患者,医务人员可针对高风险患者采取干预措施,改善患者的整体临床结局。
