期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于机器学习的脓毒性休克患者乳酸清除率动态预测模型开发与验证
1
作者
宋昭光
吴平宇
+2 位作者
温思聪
张维华
鹿中华
《中国感染控制杂志》
北大核心
2025年第8期1097-1105,共9页
目的针对脓毒性休克患者乳酸代谢动态监测的临床需求,开发基于长短期记忆网络(LSTM)的时序预测模型,用于预测入院24 h乳酸清除率。方法采用多阶段回顾性队列设计,纳入2018年1月—2024年9月某医院重症医学科收治的脓毒性休克患者。通过...
目的针对脓毒性休克患者乳酸代谢动态监测的临床需求,开发基于长短期记忆网络(LSTM)的时序预测模型,用于预测入院24 h乳酸清除率。方法采用多阶段回顾性队列设计,纳入2018年1月—2024年9月某医院重症医学科收治的脓毒性休克患者。通过单因素分析和LASSO联合特征筛选,从多维临床数据中提取预测因子。建立端到端LSTM架构(双层64/32单元,dropout率=0.3),采用滑动窗口策略(6 h步长)进行动态预测,并与传统logistic模型进行校准度(Brier score)、区分度[时间依赖性受试者工作特征曲线下面积(AUC)]和临床实用性(决策曲线分析)三维度对比。模型预测结果与实际乳酸清除率进行一致性分析,评估预测准确性。结果共纳入112例脓毒性休克患者,其中男性65例,女性47例;平均年龄(67.35±7.28)岁。乳酸清除率≥10%的良好组65例,<10%的不良组47例;训练集78例,验证集34例。时间依赖性AUC分析显示,LSTM模型在6、12、24 h时间窗的预测性能分别为0.89(0.85~0.93)、0.91(0.88~0.95)、0.92(0.89~0.96),优于logistic回归模型(ΔAUC=0.085,P<0.01)。核心预测因子包括APACHEⅡ评分(OR=1.38)、入院时乳酸水平(OR=1.65)、血管活性药物剂量(OR=1.42)和6 h液体复苏量(OR=1.35)。模型预测值与实际24 h乳酸清除率的Pearson相关系数为0.83(P<0.001),平均绝对误差为8.2%。决策曲线分析证实,当阈值概率在15%~60%时,LSTM模型可提升27.3%的临床净收益。各亚组验证显示,模型在肺部感染亚组(n=16)中保持最优预测效能(AUC=0.87)。结论基于LSTM的乳酸清除率动态预测模型通过整合入院早期指标预测24 h乳酸清除率,具有良好的预测性能和临床应用价值,可为脓毒性休克患者的个体化治疗决策提供重要参考。
展开更多
关键词
脓毒性休克
乳酸清除率
长短期记忆网络
预测模型
机器学习
在线阅读
下载PDF
职称材料
题名
基于机器学习的脓毒性休克患者乳酸清除率动态预测模型开发与验证
1
作者
宋昭光
吴平宇
温思聪
张维华
鹿中华
机构
桐城市人民医院重症医学科
安徽医科大学第二附属
医院
重症
医学科
出处
《中国感染控制杂志》
北大核心
2025年第8期1097-1105,共9页
基金
2024年度安徽省中医药传承创新科研基金项目(2024CCCX128)。
文摘
目的针对脓毒性休克患者乳酸代谢动态监测的临床需求,开发基于长短期记忆网络(LSTM)的时序预测模型,用于预测入院24 h乳酸清除率。方法采用多阶段回顾性队列设计,纳入2018年1月—2024年9月某医院重症医学科收治的脓毒性休克患者。通过单因素分析和LASSO联合特征筛选,从多维临床数据中提取预测因子。建立端到端LSTM架构(双层64/32单元,dropout率=0.3),采用滑动窗口策略(6 h步长)进行动态预测,并与传统logistic模型进行校准度(Brier score)、区分度[时间依赖性受试者工作特征曲线下面积(AUC)]和临床实用性(决策曲线分析)三维度对比。模型预测结果与实际乳酸清除率进行一致性分析,评估预测准确性。结果共纳入112例脓毒性休克患者,其中男性65例,女性47例;平均年龄(67.35±7.28)岁。乳酸清除率≥10%的良好组65例,<10%的不良组47例;训练集78例,验证集34例。时间依赖性AUC分析显示,LSTM模型在6、12、24 h时间窗的预测性能分别为0.89(0.85~0.93)、0.91(0.88~0.95)、0.92(0.89~0.96),优于logistic回归模型(ΔAUC=0.085,P<0.01)。核心预测因子包括APACHEⅡ评分(OR=1.38)、入院时乳酸水平(OR=1.65)、血管活性药物剂量(OR=1.42)和6 h液体复苏量(OR=1.35)。模型预测值与实际24 h乳酸清除率的Pearson相关系数为0.83(P<0.001),平均绝对误差为8.2%。决策曲线分析证实,当阈值概率在15%~60%时,LSTM模型可提升27.3%的临床净收益。各亚组验证显示,模型在肺部感染亚组(n=16)中保持最优预测效能(AUC=0.87)。结论基于LSTM的乳酸清除率动态预测模型通过整合入院早期指标预测24 h乳酸清除率,具有良好的预测性能和临床应用价值,可为脓毒性休克患者的个体化治疗决策提供重要参考。
关键词
脓毒性休克
乳酸清除率
长短期记忆网络
预测模型
机器学习
Keywords
septic shock
lactate clearance rate
long short-term memory network
prediction model
machine learning
分类号
R181.32 [医药卫生—流行病学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于机器学习的脓毒性休克患者乳酸清除率动态预测模型开发与验证
宋昭光
吴平宇
温思聪
张维华
鹿中华
《中国感染控制杂志》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
