背景脓毒症患者死亡率高。准确预测不良结局的发生,有助于医疗资源的有效分配。目的建立一种机器学习模型预测脓毒症患者早期死亡风险,辅助临床医生进行临床决策。方法从重症监护医疗信息市场(Medical Information Mart for Intensive C...背景脓毒症患者死亡率高。准确预测不良结局的发生,有助于医疗资源的有效分配。目的建立一种机器学习模型预测脓毒症患者早期死亡风险,辅助临床医生进行临床决策。方法从重症监护医疗信息市场(Medical Information Mart for Intensive Care,MIMIC)Ⅲ数据库筛选出符合Sepsis-3标准的脓毒症患者,随机抽取70%的病例作为训练集用于建立模型,其余30%的数据用作验证集。使用极度梯度提升(extreme gradient boosting,XGBoost)模型集成相关参数预测脓毒症患者重症监护病房(intensive care unit,ICU)死亡风险,预测能力通过受试者工作特征(receiver operating characteristic,ROC)曲线评估,并与简化急性生理评分(simplified acute physiology score,SAPS)Ⅱ、序贯性器官衰竭评分(sequential organ failure assessment,SOFA)、全身炎症反应综合征(systemic inflammatory response syndrome,SIRS)标准、快速器官衰竭评分(quick sequential organ failure assessment,qSOFA)等对比验证模型的预测价值。结果共纳入4939例脓毒症患者,其中ICU内死亡患者551例,存活患者4388例;以患者是否ICU死亡作为结局,建立XGBoost模型获得ROC曲线下面积(AUC)为0.848,敏感度0.841,特异性0.711,准确性0.726,均较其他评分高(P<0.05)。模型中排名前10的特征主要为:入ICU后24 h内血乳酸平均值、血管活性药物评分(vasoactive-inotropic score,VIS)、是否患有恶性肿瘤、天冬氨酸氨基转移酶(aspartate aminotransferase,AST)、阴离子间隙(anion gap,AG)、是否接受机械通气治疗、国际标准化比值(international normalized ratio,INR)、格拉斯哥昏迷指数(Glasgow coma scale,GCS)、重症监护病房类型、入ICU后24 h内血乳酸最大值。结论XGBoost模型较临床常用评分能够更加准确地预测脓毒症患者的死亡风险,有助于辅助临床决策,分配医疗资源。展开更多
背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期...背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期预测模型。方法收集2018年1月-2021年12月入住解放军总医院第一医学中心重症医学科年龄≥65岁的老年患者的临床资料(80%用于训练集,20%用于测试集)。以是否发生AKI为结局变量,纳入人口统计学、生命体征、实验室检查、合并症等55个预测变量,通过多个机器学习模型(包含决策树、随机森林、逻辑回归、XGBoost、LightGBM)开发多变量预测模型。利用受试者工作特征曲线(ROC曲线)下面积(area under curve,AUC)、准确性、敏感度、特异度、F1值评估模型性能,选出最优模型。结果最终纳入968例老年患者,其中共304例患AKI(占31.4%)。LightGBM模型的AUC最高,为0.887,决策树、随机森林、逻辑回归、XGBoost模型的AUC分别为0.795、0.850、0.853、0.875。其中LightGBM模型排前5位的特征变量为查尔森合并症指数、液体入量、血清肌酐、N末端脑利钠肽前体和乳酸。结论我们利用LightGBM机器学习方法开发并建立了一个ICU老年患者的AKI早期预测模型,具有较好的预测效能,有助于临床早期预测及预防ICU老年AKI的发生。展开更多
文摘背景脓毒症患者死亡率高。准确预测不良结局的发生,有助于医疗资源的有效分配。目的建立一种机器学习模型预测脓毒症患者早期死亡风险,辅助临床医生进行临床决策。方法从重症监护医疗信息市场(Medical Information Mart for Intensive Care,MIMIC)Ⅲ数据库筛选出符合Sepsis-3标准的脓毒症患者,随机抽取70%的病例作为训练集用于建立模型,其余30%的数据用作验证集。使用极度梯度提升(extreme gradient boosting,XGBoost)模型集成相关参数预测脓毒症患者重症监护病房(intensive care unit,ICU)死亡风险,预测能力通过受试者工作特征(receiver operating characteristic,ROC)曲线评估,并与简化急性生理评分(simplified acute physiology score,SAPS)Ⅱ、序贯性器官衰竭评分(sequential organ failure assessment,SOFA)、全身炎症反应综合征(systemic inflammatory response syndrome,SIRS)标准、快速器官衰竭评分(quick sequential organ failure assessment,qSOFA)等对比验证模型的预测价值。结果共纳入4939例脓毒症患者,其中ICU内死亡患者551例,存活患者4388例;以患者是否ICU死亡作为结局,建立XGBoost模型获得ROC曲线下面积(AUC)为0.848,敏感度0.841,特异性0.711,准确性0.726,均较其他评分高(P<0.05)。模型中排名前10的特征主要为:入ICU后24 h内血乳酸平均值、血管活性药物评分(vasoactive-inotropic score,VIS)、是否患有恶性肿瘤、天冬氨酸氨基转移酶(aspartate aminotransferase,AST)、阴离子间隙(anion gap,AG)、是否接受机械通气治疗、国际标准化比值(international normalized ratio,INR)、格拉斯哥昏迷指数(Glasgow coma scale,GCS)、重症监护病房类型、入ICU后24 h内血乳酸最大值。结论XGBoost模型较临床常用评分能够更加准确地预测脓毒症患者的死亡风险,有助于辅助临床决策,分配医疗资源。
文摘目的 :系统评价髓内钉或克氏针与钢板固定比较治疗锁骨骨折的疗效和并发症。方法 :计算机检索Pubmed、Embase、Cochrane数据库、中国期刊全文数据库(CNKI)、维普期刊数据库医药卫生辑(VIP)及万方数据库数据库。纳入比较髓内固定与髓外固定治疗锁骨骨折的前瞻性或随机随照研究。采用Rev Man 5软件进行Meta分析,比较术后肩关节功能评分、手术疗效、手术指标及术后并发症率。结果:共纳入10篇随机对照研究、3篇半随机对照研究,合计976例纳入系统评价。5篇文献比较了克氏针与钢板的疗效,8篇文献比较了髓内钉与钢板的疗效。克氏针与钢板术后疗效优良率比值比(RR)3.79[95%可信区间,1.93,7.46],6篇文献报告了髓内钉与钢板术后Constant评分,总体均数差为-1.39[-3.43,0.65]。5篇文献报告了髓内钉与钢板术后的大并发症率,RR为9.34[2.70,32.32]。5篇文献比较了髓内钉与钢板的再手术率,RR为5.04[1.52,16.77]。结论:现有研究证据表明髓内钉治疗锁骨骨折的术后并发症率及再手术率明显低于钢板;克氏针固定的术后疗效明显低于钢板固定。现有数据的总样本量有一定程度的局限性,期待未来大样本高质量随机对照试验进一步证明结果。
文摘背景急性肾损伤(acute kidney injury,AKI)在重症监护室(intensive care unit,ICU)发病率高,尤其对于老年人群更是如此。寻找ICU老年AKI的危险因素,建立早期预测模型,有助于临床决策。目的采用机器学习的方法建立ICU老年患者AKI的早期预测模型。方法收集2018年1月-2021年12月入住解放军总医院第一医学中心重症医学科年龄≥65岁的老年患者的临床资料(80%用于训练集,20%用于测试集)。以是否发生AKI为结局变量,纳入人口统计学、生命体征、实验室检查、合并症等55个预测变量,通过多个机器学习模型(包含决策树、随机森林、逻辑回归、XGBoost、LightGBM)开发多变量预测模型。利用受试者工作特征曲线(ROC曲线)下面积(area under curve,AUC)、准确性、敏感度、特异度、F1值评估模型性能,选出最优模型。结果最终纳入968例老年患者,其中共304例患AKI(占31.4%)。LightGBM模型的AUC最高,为0.887,决策树、随机森林、逻辑回归、XGBoost模型的AUC分别为0.795、0.850、0.853、0.875。其中LightGBM模型排前5位的特征变量为查尔森合并症指数、液体入量、血清肌酐、N末端脑利钠肽前体和乳酸。结论我们利用LightGBM机器学习方法开发并建立了一个ICU老年患者的AKI早期预测模型,具有较好的预测效能,有助于临床早期预测及预防ICU老年AKI的发生。
