基于XGBoost算法的ICU脓毒症患者住院死亡风险预测研究

科技视界SCIENCE & TECHNOLOGY VISION0 引言脓毒症是由细菌等病原体入侵人体所引发的全身炎症综合征。

患者通常伴有发热或体温过低，严重时可出现休克、重要器官功能衰竭等损害。

重症监护室中脓毒症始终是一个短期病死率高（15%～30%）的急危重症[1-3]。

早期预测对脓毒症干预至关重要[4]。

临床上，医生通常采用序贯器官衰竭评分、格拉斯哥昏迷指数等因子来实现不良结局的早期预测。

危重症评分不仅没有针对单一病症的特异性，而且评分本身受医生主观认知的干扰，并不能很好地区分院内死亡结局[5]。

疫情以来，国外因开放政策导致重症监护室满负荷工作，利用重症数据建模预测的实际需求受到重视[6-9]。

其中XGBoost[10]在基于数据库的脓毒症分类任务中优于其他机器学习算法[11]。

1 资料与方法1.1 数据来源和伦理学MIMIC数据库[12-13]是MIT麻省理工下属管理的一个公共重症数据库。

本实验采用第4版，该版数据库由2008—2019年收治于贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center) 的45万余条诊疗记录构成，记录包括人口统计学信息，既往史、诊断、生命体征、生化指标、检查治疗医嘱等数据。

所有遵守其使用XGBoost模型在重症结局早期预测上的应用孙方园 黄明宇*温州医科大学附属第一医院，浙江 温州 325015作者简介：孙方园，主要研究方向为医疗信息化。

通信作者：黄明宇，助理工程师，主要研究方向为医疗信息化。

MEDICAL HEALTH医学健康规则（https://）的用户均为合法用户。

实验额外收集了一份温州医科大学附属第一医院数据用于交叉验证。

数据包含本院2015—2022年期间收住于ICU的脓毒症患者。

该数据集通过了医院伦理备案，并在抽取过程中进行了脱敏处理。

1.2 数据抽取标准本实验用Sepsis-3.0诊断标准[14-16]抽取病例数据，排除怀孕，未成年（年龄＜18岁），超长期监护（ICU 收住超100 d），超短期监护（ICU收住少于1 d）等数据，并且对多次入住ICU的病例仅取第一次收住的诊疗数据。

《成人重症监护病房脓毒症肝损伤的危险因素分析研究》篇一一、引言脓毒症是由多种微生物引起的全身性炎症反应综合征，成人重症监护病房（CU）内常发生于免疫力低下、有创性操作等患者群体中。

脓毒症可导致肝损伤等并发症，增加患者的病死率与致残率。

因此，分析成人重症监护病房脓毒症肝损伤的危险因素，对于预防和改善患者预后具有重要意义。

本文旨在探讨CU中脓毒症肝损伤的危险因素，为临床实践提供参考。

二、研究方法本研究采用回顾性分析方法，收集CU内脓毒症患者的临床资料。

通过对患者的年龄、性别、基础疾病、实验室指标、治疗措施等数据进行统计分析，分析脓毒症肝损伤的危险因素。

三、结果1. 患者基本情况本研究共纳入CU内脓毒症患者XX例，其中男性患者占XX%，女性患者占XX%。

患者年龄分布广泛，以中老年患者为主。

基础疾病主要包括慢性阻塞性肺病、糖尿病、肿瘤等。

2. 脓毒症肝损伤的发生情况在XX例脓毒症患者中，发生肝损伤的患者占XX%。

肝损伤的诊断主要依据实验室检查，包括肝功能指标的异常。

3. 危险因素分析通过统计分析，我们发现以下因素与脓毒症肝损伤的发生密切相关：（1）年龄：随着年龄的增长，脓毒症肝损伤的发生率逐渐增高。

（2）基础疾病：患有慢性阻塞性肺病、糖尿病等基础疾病的患者，脓毒症肝损伤的发生率较高。

（3）实验室指标：肝功能指标的异常、炎症反应指标的升高等，均是脓毒症肝损伤的危险因素。

（4）治疗措施：不恰当的治疗措施、治疗不及时等也可能导致脓毒症肝损伤的发生。

四、讨论本研究结果表明，年龄、基础疾病、实验室指标以及治疗措施等因素均与成人重症监护病房脓毒症肝损伤的发生密切相关。

因此，在临床实践中，我们应该注意以下几点：1. 对于年龄较大、患有基础疾病的患者，应加强监测，及时发现并治疗脓毒症，以降低肝损伤的发生率。

2. 及时进行实验室检查，密切关注患者的肝功能指标和炎症反应指标，及时发现肝损伤的迹象。

3. 合理制定治疗措施，避免不恰当的治疗导致肝损伤的发生。

《成人重症监护病房脓毒症肝损伤的危险因素分析研究》篇一摘要：本文旨在分析成人重症监护病房（ICU）中脓毒症肝损伤的危险因素。

通过对ICU中脓毒症患者的临床数据进行分析，识别出可能导致肝损伤的潜在风险因素，为临床预防和治疗提供理论依据。

一、引言脓毒症是一种由感染引起的全身性炎症反应综合征，常常伴随着多器官功能损伤。

在成人重症监护病房中，脓毒症患者的病情往往较为严重，其中肝损伤是常见的并发症之一。

因此，分析脓毒症肝损伤的危险因素，对于提高患者的治愈率和生存质量具有重要意义。

二、研究方法1. 研究对象本研究选取了某三甲医院成人重症监护病房中确诊为脓毒症并伴有肝损伤的患者作为研究对象。

2. 数据收集收集患者的年龄、性别、基础疾病、感染部位、实验室检查指标（如肝功能指标、炎症指标等）以及治疗措施等数据。

3. 数据分析采用统计学方法，对收集到的数据进行描述性分析和相关性分析，以识别脓毒症肝损伤的危险因素。

三、结果1. 描述性统计结果本研究共纳入XX例脓毒症伴肝损伤患者，其中男性患者占比XX%，平均年龄为XX岁。

基础疾病以糖尿病、慢性阻塞性肺病等慢性疾病为主。

感染部位以肺部、腹腔等为主。

2. 危险因素分析结果（1）年龄：年龄大于65岁的患者，肝损伤的发生率较高。

（2）基础疾病：患有糖尿病、慢性阻塞性肺病等慢性疾病的患者，肝损伤的风险增加。

（3）感染部位：肺部和腹腔感染的患者，肝损伤的发生率较高。

（4）炎症指标：白细胞计数、C反应蛋白等炎症指标升高与肝损伤的发生密切相关。

（5）治疗措施：部分治疗措施如大量使用抗生素、长时间机械通气等也可能增加肝损伤的风险。

四、讨论根据研究结果，我们可以得出以下结论：年龄、基础疾病、感染部位、炎症指标以及治疗措施是成人重症监护病房中脓毒症肝损伤的危险因素。

其中，年龄大于65岁、患有慢性疾病、肺部和腹腔感染以及炎症指标升高等因素均与肝损伤的发生密切相关。

此外，部分治疗措施如大量使用抗生素、长时间机械通气等也可能对肝脏造成损伤。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910574239.2(22)申请日 2019.06.28(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 刘勇国　刘朗　李巧勤　杨尚明　曹晨　任志扬　傅翀　(74)专利代理机构 成都正华专利代理事务所(普通合伙) 51229代理人 陈选中(51)Int.Cl.G16H 50/20(2018.01)G16H 50/30(2018.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于深度学习的ICU院内死亡率预测方法(57)摘要本发明公开了一种基于深度学习的ICU院内死亡率预测方法。

本发明通过使用深度学习对ICU内死亡进行预测，不仅使用患者动态体征变化数据，还加入了年龄、患病类型等影响死亡率的重要人口统计学特征；在经典LSTM(多层双向与单向长短期记忆模型)网络的基础上增加了三个用于控制时间增量变化的时间门，解决临床数据常见的不规则采样及数据缺失问题；引入注意力机制对每个时刻的隐藏状态进行融合，模型收敛速度更快，且不易丢失初始阶段包含的信息。

权利要求书2页 说明书7页 附图2页CN 110289096 A 2019.09.27C N 110289096A1.一种基于深度学习的ICU院内死亡率预测方法，其特征在于，包括以下步骤：S1、采集患者入住ICU后48小时内的体征指标；S2、对采集到的体征指标进行预处理，得到预处理后的体征指标；S3、根据预处理后的体征指标对AT-LSTM模型进行训练，得到训练好的AT-LSTM模型；S4、对进入ICU后48小时的新患者采集体征指标并进行预处理，将预处理后的新患者体征指标输入到训练好的AT-LSTM模型中，得到该新患者的死亡率预测结果。

2.根据权利要求1所述的基于深度学习的ICU院内死亡率预测方法，其特征在于，所述步骤S1中体征指标包括离散变量、连续变量和人口统计学信息，所述离散变量包括毛细血管再充盈率、Glascow昏迷量表眼睛睁开度、Glascow昏迷量表运动反应、Glascow昏迷量表语言反应和Glascow昏迷总分，所述连续变量包括舒张压、收缩压、吸入氧气分数、血液葡萄糖含量、心率、平均血压、血氧饱和度、呼吸速率、体温、体重、身高和血液PH值，所述人口统计学信息包括年龄、性别、种族和患病类型。

基于专科数据库脓毒症患者死亡风险预测及白蛋白早期治
疗相关研究
脓毒症是一种严重的感染性疾病，其发病率和死亡率较高，给患者和医疗系统带来了巨大的负担。

因此，预测脓毒症患者的死亡风险以及研究早期治疗的相关性变得尤为重要。

本研究基于专科数据库对脓毒症患者的死亡风险进行了预测。

研究采用了大规模的临床数据和机器学习算法，结合了患者的基本信息、病史、实验室检查结果等多种因素。

通过对这些数据进行分析和建模，我们成功地建立了一个预测模型，可以准确地评估患者的死亡风险。

研究结果显示，年龄、性别、病史、感染部位、炎症指标、器官功能等因素与脓毒症患者的死亡风险密切相关。

特别是白蛋白水平在早期治疗中的重要性得到了验证。

白蛋白是一种重要的血浆蛋白，它在调节体液平衡、维持内环境稳定以及免疫调节等方面发挥着重要作用。

研究发现，白蛋白水平在脓毒症患者中普遍降低，与患者的病情严重程度和预后密切相关。

进一步的分析表明，早期补充白蛋白可以有效改善脓毒症患者的预后。

白蛋白的补充可以提高患者的免疫功能、调节炎症反应、改善微循环功能，并减少器官功能障碍的发生。

因此，在脓毒症的早期治疗中，合理补充白蛋白具有重要的临床意义。

综上所述，本研究基于专科数据库对脓毒症患者的死亡风险进行了预测，并研究了白蛋白早期治疗的相关性。

研究结果为脓毒症的临床诊断和治疗提供了重要的参考依据。

进一步的研究还需要探索更多的影响因素，并且在临床实践中验证白蛋白早期治疗的有效性。

这将有助于改善脓毒症患者的预后，减少死亡风险，并提高医疗水平和患者的生活质量。

应用机器学习构建细菌性脓毒症的菌型预测模型陈秀娟"孙新2梁会营**摘要目的：应用机器学习方法构建细菌性脓毒症患者的菌型预测模型，辅助医生进行病情严重程度的评估以及抗感染治疗。

方法：选取MIMIC-1II数据库中的脓毒症患者199例，其血培养结果均为阳性的单-菌种，其中G•菌117例，G菌82例。

收集患者在血培养前检测的体重、白蛋白(ALB)、C-反应蛋白(CRP)、血小板(PLT)、中性粒细胞(NEI/T),结合年龄作为主要研究变量，然后釆用XGBoost算法构建菌型预测模型。

结果：模型的灵敏度、特异性、准确率和AUC值分别是0.83、0.88、0.85和0.83。

结论：基于XGBoost算法的G'菌和G菌的预测模型可以预测细菌性脓毒症患者感染的菌型，从而辅助医生评估脓毒症患者的病情，指导抗菌用药。

关傩诃机器学习XGBoost算法细菌性脓毒症菌型预测Doi:10.3969/j.issn.1673-7571.2019.03.008［屮图分类号］R319［文献标识码］AApplication of Machine Learning to Construct the Bacterial Type Prediction Model tor Bacterial Sepsis/C'HEN Xiu—juan,SUN Xin,LIANG Hui—ying//China Digital Medicine.—201914(3):31to33Abstract Objective:To construct a predictive model of b.icterial type in bacterial sepsis patients by machine learning,which assists doctors in assessing the severity of the disease and anti—infective treatment.Methods:A total of199patients with sepsis in the MIMIC—DI database were selected.The blood culture results were all positive single strains,including I17patients with Ci bacteria and82patients with G bacteria.The body weight,albumin(ALB),C—reactive protein(CRP),platelet(PLT)and neutrophil(NEUT) detected before blood culture were collected,which combining with age were used as the main research variable.Then the XGBoost algorithm was used to construct the predictive model of bacterial type.Results:The sensitivity,specificity,accuracy and AUC values of the model were0.83,0.88,().85and().83respectively.Conclusion:The predictive model of G and G bacteria based on XCJBoost algorithm can predict the bacterial type of infection in patients with bacterial sepsis,thus assisting doctors in assessing the condition of sepsis patients and guiding antibiotics.Keywords machine learning,XGBoost algorithm,bacterial sepsis,bacterial type predictionFund project National Key R&D Project(No.2O18YFC13154(M))Corresponding author Clinical Data Center of Guangzhou Women and C'hildren's Medical Center,Guangzhou510623, Guangdong Province,P.K.C.脓毒症(Sepsis)是由于宿主对感染反应失调而导致危及生命的器官功能障碍"切，具有较高的发生率和病死率，也是导致重症监护病房中患者死亡的主要病因⑴。

41创伤与急诊电子杂志 2020年1月第8卷第1期 J TRAUMA EMERG ，Jan.2020，vol.8，No.1血管紧张素-脑啡肽酶抑制剂在急性失代偿性心力衰竭中的作用背景：在美国，每年有超过1亿的病人由于急性失代偿性心力衰竭而住院。

沙库巴曲-缬沙坦在急性失代偿性心力衰竭住院病人中的安全性和有效性还不明确。

方法：我们纳入了美国129个地区的射血分数降低的急性失代偿性心力衰竭患者。

在血流动力学稳定后，患者随机被分配为接受沙库巴曲-缬沙坦（目标剂量：97mg沙库巴曲和103mg缬沙坦，每日两次）或依那普利（目标剂量：10mg，每日两次）治疗。

主要有效终点为4周和8周时，单位时间内NT-proBNP浓度距基线的变化比例。

关键安全性终点是肾功恶化率、高钾血症、症状性低血压和血管性水肿。

结果：在881名随机分组的患者中，有440人被分配到接受沙库巴曲-缬沙坦，其余441人接受依那普利治疗。

单位时间NT-proBNP浓度的下降程度在沙库巴曲-缬沙坦组明显大于依那普利组；第4周和8周获得的几何平均值与基线值的比值，在沙库巴曲-缬沙坦钠组为0.53而在依那普利组是0.75，百分比变化为-46.7%比-25.3%；沙库巴曲-缬沙坦变化率/依那普利变异率为0.71；95%CI为（0.63~0.81；P<0.001）。

早在第1周沙库巴曲-缬沙坦组的NT-proBNP浓度相较于依那普利组就可以观测到明显的下降了[变化比为0.76；95%CI为（0.69~0.85）]。

肾功能恶化率、高钾血症、症状性低血压和血管性水肿的发生率在两组间没有明显的差异。

总结：在射血分数减低的急性失代偿性心力衰竭患者中，用沙库巴曲-缬沙坦治疗比用依那普利治疗有着更明显的NT-proBNP浓度下降。

肾功能恶化、高钾血症、症状性低血压和血管性水肿的发生率在两组间没有明显的差异。

[N Engl J Med, 2019, 380(6):539-548]——译者曾文飞预测严重脓毒症和脓毒性休克的机器学习算法：建立、实施和对临床实践的影响目的：开发和实施机器学习算法，以预测严重脓毒症和脓毒性休克，并评估对临床实践和患者预后的影响。

基于XG-B00ST和多数据源的药物重定位预测作者：李苗苗来源：《软件导刊》2020年第02期摘要：新药物研发时间长、成本高，但成功率低，为了提高收益比，药物重定位即旧药新用受到了广泛关注。

从临床和实验角度鉴定药物的新用途需要耗费大量人力和物力，从计算角度预测药物新用途成为研究热点;并且，随着药物和疾病相关的大量多层次组学数据积累，通过挖掘药物相关数据鉴定药物新用途成为可能。

重点挖掘药物化学结构、药理性质、药物靶蛋白功能、疾病表型等数据得到相应特征，并将这些药物疾病特征进行整合，再将特征输入XG-BOOST模型进行预测。

实验结果表明，该方法准确率达87.9%，较逻辑回归、随机森林具有更高的预测精度。

关键词：药物重定位;XG-BOOST模型;预测精度DOI：10. 11907/rjdk. 191526 开放科学（资源服务）标识码（OSID）：中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2020）002-0110-04英标：Drug Reposition Prediction Based on XG-BOOST and Multi-source Data英作：LI Miao-miao英单：（Business School， University of Shanghai for Science and Technology， Shanghai 200090， China）Abstract： The development of new drugs is long and costly， but the success rate is low. Therefore， in order to improve the yield， drug relocation， that is， the new use of old drugs has received extensive attention. The clinical and experimental identification of new uses of drugs requires a lot of manpower and material resources， and predicting the new use of drugs from a computational perspective has become a research hotspot in recent years. On the other hand， in recent years， the rapid accumulation of a large number of multi-level omics data related to drug-related and disease has made it possible to identify new drug uses by mining drug-related data. In this paper， the characteristics of the chemical structure， pharmacological properties， drug target protein function， disease phenotype， etc. of the drug were obtained， and the characteristics of these drugs were integrated. Finally， the feature is input into the XG-BOOST model for prediction. The experimental results show that our method has higher prediction accuracy than logistic regression and random forest.Key Words： drug reposition;XG-BOOST model;prediction accuracy0 引言药物从最初的实验研究到最终批准上市，整个阶段需要13～15年，耗资20～30亿美元[1]。

专利名称：脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质
专利类型：发明专利
发明人：袁琼靖,刘乐平,周泓杉
申请号：CN202111416387.5
申请日：20211125
公开号：CN114038570A
公开日：
20220211
专利内容由知识产权出版社提供
摘要：本公开实施例中提供了一种脓毒症相关急性肾损伤患者死亡预测方法、系统、设备及介质，属于医疗保健信息学技术领域，具体包括：将样本数据集训练XGBOOST算法，建立预测模型；采集目标人员的尿量、尿素氮最大值、去甲肾上腺素注射速率、阴离子间隙最大值、肌酐最大值、红细胞分布宽度最大值、国际标准化比率最小值、心率最大值、体温最大值、吸氧分数最小值、中风状态、肌酐最小值、格拉斯哥昏迷评分最小值和糖尿病状态；将关键信息数据集输入预测模型，得到预测结果。

通过本公开的方案，利用机器学习算法进行学习，建立预测模型，然后将采集到关键信息数据集输入预测模型，得到预测结果，提高了预测效率和精准度。

申请人：中南大学湘雅医院
地址：410008 湖南省长沙市湘雅路87号
国籍：CN
代理机构：长沙轩荣专利代理有限公司
代理人：丛诗洋
更多信息请下载全文后查看。

可解释机器学习方法在疾病预测中的应用：脓毒血症患者死亡风险研究杨丰春;郑思;李姣【期刊名称】《首都医科大学学报》【年(卷),期】2022(43)4【摘要】目的探索可解释机器学习方法在疾病预测中的应用。

方法本研究以脓毒血症死亡风险预测为例,从重症监护医学数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅳ中采集符合纳排标准的19903例脓毒血症(sepsis-3)患者的临床数据,利用决策树、逻辑回归、随机森林、XGBoost、轻量梯度提升机(light gradient boosting machine,LightGBM)模型分别构建脓毒血症死亡预测模型。

在此基础上,利用全局可解释方法(特征重要性、部分依赖图、个体条件期望、全局代理模型)和局部可解释方法(局部代理模型和Shapely值)对复杂机器学习模型进行解释,探索影响脓毒血症患者预后的危险因素。

结果解释性差的机器学习模型的预测性能[模型LightGBM、随机森林、XGBoost的曲线下面积(area under curve,AUC)值分别为0.913、0.892、0.872]高于具有内在解释性的模型(逻辑回归模型AUC=0.779,决策树模型AUC=0.791),并利用全局解释性方法、局部可解释性方法两种类型的解释方法对机器学习模型决策过程进行解释。

结论利用全局解释性方法可以解释在整个特征空间内机器学习模型的响应趋势,利用局部可解释性方法可以解释机器学习模型对特定病例的决策过程。

【总页数】8页(P610-617)【作者】杨丰春;郑思;李姣【作者单位】中国医学科学院/北京协和医学院医学信息研究所医学智能计算研究室【正文语种】中文【中图分类】TP18【相关文献】1.基于XGBoost算法的ICU脓毒症患者\r住院死亡风险预测研究2.应用机器学习方法优化住院创伤患者VTE风险预测3.基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型4.不同临床评分在预测脓毒血症患儿死亡风险中的应用价值5.基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型因版权原因，仅展示原文概要，查看原文内容请购买。

XGBoost模型在重症结局早期预测上的应用孙方园;黄明宇【期刊名称】《科技视界》【年(卷),期】2024(14)3【摘要】为探讨极端梯度提升(XGBoost),逻辑斯蒂回归(LR),支持向量机(SVM),深度神经网络(DNN)算法在重症脓毒症患者院内结局早期预测上的应用价值,采取美国斯坦福大学发布的波士顿某知名医疗中心MIMIC-IV公共数据库中的脓毒症病例(27 134例)中的70%做训练集(18 994例),30%做测试集(8 140例),结合温州医科大学附属第一医院重症监护室数据(486例)做交叉对比分析。

所采集因子为入ICU后24 h内的生化、用药、透析、呼吸机数据,以及人口统计学及既往史等因子,通过准确率、特异度、召回率和ROC曲线进行模型评估。

结果显示:XGBoost在测试集和国内数据集上对比其他机器学习算法都有更优的AUC表现,模型指出格拉斯哥昏迷指数(GCS)、年龄、呼气末正压、实验室尿素氮测量值等与脓毒症患者最终院内死亡的不良结局有最高的相关性。

同时,以本院数据集做验证的实验表明:XGBoost仍有最优表现,且AUC与MIMIC测试集的AUC差异不大。

【总页数】4页(P22-25)【作者】孙方园;黄明宇【作者单位】温州医科大学附属第一医院【正文语种】中文【中图分类】R47【相关文献】1.急救系统风险预测模型评分联合改良早期预警评分在多发伤危重症患者预后评估中的应用价值2.基于XGBoost的危重症患者住院时间分类预测模型和风险因素研究3.XGBoost融合模型在银行客户流失预测中的应用研究4.基于XGBoost的COVID-19患者重症风险早期预测模型的建立与评价5.基于XGBoost算法的糖尿病分类预测模型及应用因版权原因，仅展示原文概要，查看原文内容请购买。

急性肾损伤危险评分对脓毒症患者死亡风险的预测价值汪文文;袁嫄;汪跃国;王玉兰;孙健;徐军;金魁【期刊名称】《中国急救医学》【年(卷),期】2024(44)4【摘要】目的探讨AKI risk评分(基质金属蛋白酶-2×胰岛素样生长因子-7,TIMP-2×IGFBP-7)对急诊脓毒症患者死亡风险的预测价值。

方法前瞻性观察2021年9月至2022年12月中国科学技术大学附属第一医院及北京协和医院急诊科收住的脓毒症患者,分别测量患者入院时和入院后6 h的AKI risk评分并计算其变化值(AKI risk-gap),利用多因素Logistic回归、Cox回归、受试者工作特征(ROC)曲线及曲线下面积(AUC)分析AKI risk评分对患者院内死亡风险的预测效能;亚组分析中根据患者是否罹患AKI进一步分析AKI risk评分与不同亚组(AKI组和非AKI组)患者预后的关系。

结果本研究共纳入患者202例,住院期间死亡87例(43%)。

ROC曲线显示,6 h AKI risk评分预测脓毒症患者院内死亡最为准确,其AUC为0.71(95%CI 0.63~0.78)。

亚组分析中AKI组患者6 h AKI risk评分预测院内死亡的AUC为0.76(95%CI 0.65~0.85),非AKI组AUC为0.63(95%CI 0.52~0.73)。

多因素Logistic回归和Cox回归分析表明,6 h AKI risk评分和AKI risk-gap是患者院内死亡的独立危险因素。

结论AKI risk评分对脓毒症患者院内死亡风险有较好的预测价值,尤其6 h AKI risk评分在罹患AKI的亚组患者中预测价值最高,可为临床区分高危患者并给予相应治疗提供参考。

【总页数】7页(P298-304)【作者】汪文文;袁嫄;汪跃国;王玉兰;孙健;徐军;金魁【作者单位】蚌埠医科大学研究生院;中国科学技术大学附属第一医院急诊医学科(急诊ICU);中国医学科学院北京协和医院急诊科【正文语种】中文【中图分类】R69【相关文献】1.急诊脓毒症死亡风险评分对脓毒症患者危险分层及预后的应用价值2.急诊脓毒症死亡风险评分对脓毒症患者危险分层的价值分析3.脓毒症高风险评分对脓毒症患者死亡风险的预测价值4.可溶性CD73联合SOFA评分对脓毒症相关急性肾损伤患者28 d死亡风险的预测价值5.急性生理学评分对老年脓毒症患者院内死亡风险的预测价值因版权原因，仅展示原文概要，查看原文内容请购买。

老年脓毒症患者住院期间死亡风险预测模型的建立与验证邢冬梅;隋冰冰;王磊【期刊名称】《实用临床医药杂志》【年(卷),期】2024(28)8【摘要】目的建立并验证可预测老年脓毒症患者住院死亡风险的模型。

方法回顾性纳入2019年1月—2022年12月哈尔滨医科大学附属第一医院重症医学科住院治疗的238例脓毒症患者,以住院期间转归情况为主要结局指标,分为死亡组68例(28.57%)和生存组170例(71.43%)。

采用多因素Logistic回归法筛选脓毒症患者住院死亡的独立危险因素,并根据影响因素构建预测脓毒症患者住院死亡风险的模型。

采用受试者工作特征(ROC)曲线对预测模型的性能进行评定,结果以曲线下面积(AUC)表示;基于2016年1月—2018年12月的176例脓毒症患者的临床资料进行外部验证。

结果单因素分析显示,与生存组比较,死亡组年龄>70岁的比率、急性肾损伤(AKI)Ⅲ期比率及红细胞分布宽度(RDW)、纤维蛋白原、乳酸、血肌酐、英国早期预警评分(NEWS)、快速序贯器官衰竭评分(qSOFA)升高,氧合指数、白蛋白降低,差异均有统计学意义(P<0.05)。

多因素Logistic回归分析结果显示,年龄>70岁(OR=1.426,95%CI:1.055~1.928)、乳酸>6mmol/L(OR=1.436,95%CI:1.105~1.867)、RDW>16%(OR=1.354,95%CI:1.080~1.698)、AKIⅢ期(OR=1.982,95%CI:1.407~2.791)、qSOFA>2分(OR=1.853,95%CI:1.255~2.738)是脓毒症患者住院期间死亡的独立危险因素(P<0.05)。

根据回归分析结果,建立脓毒症患者死亡风险方程,一致性指数(Cindex)=-1.694+0.355×年龄+0.303×RDW+0.362×乳酸+0.684×AKIⅢ期+0.617×qSOFA。

基于机器学习的重症患者脓毒症实时风险预测模型李润发;杨美程;李建清;刘澄玉【期刊名称】《中国生物医学工程学报》【年(卷),期】2024(43)1【摘要】脓毒症是人体对感染反应失调导致的器官功能障碍综合症,具有较高的发病率和死亡率。

传统的评分系统存在特异性低的问题。

本研究基于LightGBM机器学习框架,提出了一种对脓毒症进行早期预测和风险评估的模型,以便对具有脓毒症潜在风险的患者进行及时干预。

为了实现该模型,提出基于LASSO特征选择和滑动窗口路径重积分的时间序列特征构建方法,以及基于动态时间规整算法的时间序列聚类采样方法。

选择MIMIC-Ⅲ数据库29239位病人和PhysioNet/CinC 2019挑战赛数据集40336位病人的临床信息来训练和验证模型。

所提出的模型在MIMIC-Ⅲ和PhysioNet/CinC 2019独立测试集上的灵敏度、特异性、操作特征曲线下面积(AUC)分别为0.7377、0.7304、0.8147和0.8026、0.7891、0.8730。

与目前最先进的EASP方法相比,AUC分别提高了3.62%和2.83%。

本研究模型可以实时预测脓毒症发生的风险,揭示影响脓毒症发生的重要因素,为脓毒症风险人群的及时干预提供依据。

【总页数】9页(P1-9)【作者】李润发;杨美程;李建清;刘澄玉【作者单位】东南大学仪器科学与工程学院;南京医科大学生物医学工程与信息学院【正文语种】中文【中图分类】R318【相关文献】1.基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型2.ICU重症患者脓毒症发生风险预测模型的构建与验证3.基于机器学习建立腹部手术术后脓毒症患者死亡风险预测模型4.老年脓毒症患者继发慢性危重症风险预测模型构建与验证因版权原因，仅展示原文概要，查看原文内容请购买。

血清NGAL与Fetuin A对脓毒症患者28天死亡的预测价值汪德聪;高见;张华;张姝红;李倩【期刊名称】《中国急救医学》【年(卷),期】2022(42)3【摘要】目的探讨中性粒细胞明胶酶相关脂质运载蛋白(NGAL)与胎球蛋白A(Fetuin A)对脓毒症患者28 d死亡的预测,并构建死亡风险预测模型。

方法收集2018年2月至2020年12月我院收治的163例脓毒症患者临床资料,根据28 d生存情况将患者分为生存组(n=120)和死亡组(n=43),治疗后进行为期28 d的随访。

将受试者资料按7∶3的比例随机分为训练集和验证集,比较患者临床特征,将有差异的因素纳入Cox多因素回归分析和XGBoost学习模型,使用验证集数据对预测模型效能进行评价。

结果生存组白细胞计数、红细胞比容、血小板计数和血小板与淋巴细胞比值高于死亡组,序贯器官衰竭评分(SOFA)、急性生理与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、降钙素原(PCT)、D-二聚体、NGAL、肌酐(SCr)、乳酸(Lac)、Fetuin A水平和中性粒细胞与血小板比值低于死亡组,差异有统计学意义(P<0.05);两组性别比例、年龄、BMI、血小板、C-反应蛋白(CRP)、血尿素氮(BUN)差异无统计学意义(P>0.05)。

多因素回归分析显示,SOFA评分≥2分、APACHEⅡ评分≥18分、PCT≥30 ng/mL、D-二聚体≥2.35 mg/L、NGAL≥350 mg/L、SCr≥410μmol/L、Lac≥2 mmol/L、Fetuin A≥0.3 g/L是脓毒症患者28 d死亡的危险因素,白细胞计数≥12×10^(9)/L、红细胞比容≥30%、血小板计数≥175×10^(3)/μL是保护性因素(P<0.05)。

XGBoost学习模型结果显示,上述因素预测能力由大到小依次为NGAL、Fetuin A、PCT、APACHEⅡ、SOFA、SCr、Lac、D-二聚体、血小板计数、白细胞计数、红细胞比容。

基于可解释机器学习的重症监护室脓毒症患者死亡风险预测刘坤;凌晨;史小强;周梦雨;徐乃岳
【期刊名称】《软件工程》
【年(卷),期】2024(27)3
【摘要】为了有效预测重症监护室脓毒症患者的死亡风险并分析影响结局的因素,建立了脓毒症患者死亡风险预测模型,为脓毒症患者的早期预防和死亡风险控制提
供科学的参考依据。

本研究以重症监护医学信息市场数据库作为数据来源,从中挑
选符合要求的病患,使用贝叶斯网络模型训练相关特征预测脓毒症患者的死亡风险。

纳入2 352例脓毒症患者,以患者是否死亡作为最终结局建立模型,模型的风险预测准确率为78.7%,优于逻辑回归模型(72.3%)和决策树模型(71.0%)。

贝叶斯网络模型相较于其他模型具有更高的信服力,能够准确预测脓毒症患者的死亡风险,模型的
可解释性能够辅助医护人员进行临床决策,同时能够更加合理、科学地分配医疗资源。

【总页数】6页(P15-20)
【作者】刘坤;凌晨;史小强;周梦雨;徐乃岳
【作者单位】上海理工大学健康科学与工程学院;上海健康医学院医疗器械学院【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于机器学习的重症监护病房脓毒症患者早期死亡风险预测模型
2.基于可解释性机器学习算法的开颅手术患者重症监护室住院时间预测模型
3.可解释机器学习方法在疾病预测中的应用:脓毒血症患者死亡风险研究
4.基于机器学习建立腹部手术术后脓毒症患者死亡风险预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。

基于XGBoost算法的实验室安全风险预测模型研究王国田; 戴筠一; 许少钧; 蒋涛【期刊名称】《《实验技术与管理》》【年(卷),期】2019(036)012【总页数】7页(P245-251)【关键词】指标体系; XGBoost算法; 数据采集; 模型建立; 模型训练和优化【作者】王国田; 戴筠一; 许少钧; 蒋涛【作者单位】扬州大学实验室与设备管理处江苏扬州 225009; 扬州大学数学科学学院江苏扬州 225009【正文语种】中文【中图分类】G474实验室安全检查是实验室管理的重要工作内容。

教育部科技司于2015—2017年开展了连续3年的高校实验室安全督查工作，检查项目采用了《高等学校实验室安全检查项目表》[1]（以下简称《检查表》），该《检查表》涵盖组织体系、规章制度、安全教育、化学安全、生物安全、辐射安全、仪器设备安全等11大类40小类，共235个条款（2018年又修订为12个一级指标和358个二级指标）。

检查表主要特点是项目多、范围广，检查结果采用“符合”“不符合”“不适用”的分类评价方式，对于“不符合”项就要记录隐患问题，是风险辨识和隐患排查的主要方法之一，在教育部组织的实验室安全督查中得到了验证与认可[2-3]，是目前高校实验室安全检查的硬性要求。

检查表在高校运用和实践中，对于实验室一些“显性”特征，检查结果和实际较为相符，风险辨识度较高，隐患问题的整改较好得到落实。

但是对于检查表中众多检查项目，因其对应的实验室特征往往呈“隐性”状态，且具有一定的不确定性和复杂性，相互之间还存在很多的“关联”和“牵制”，现场定性判定的结果，并不全部真实反映实际情况，尤其是对检查结果为“不符合”项，检查者与被检查者之间有争论，意见的分歧直接影响到风险辨识结果和隐患问题的及时整改。

目前，大数据处理、建立数学模型、运用相关算法开展实验室风险识别，评价出更加科学、公正、具体的风险等级，实现危险源分类分级管理符合高校发展的趋势[4-5]。

基于机器学习的心源性休克患者院内死亡的预测研究
周弛;廉哲勋
【期刊名称】《临床医学进展》
【年(卷),期】2022(12)11
【摘要】目的:构建心源性休克患者院内死亡预测模型。

方法:利用MIMIC-III数据库,收集人口特征、实验室检查、合并症等87个指标并进行特征选择后,使用随机森林、Logistic回归、XGBoost、卷积神经网络算法,构建预测模型。

用敏感性、特异性、曲线下面积、准确性来比较这4种模型的性能。

结果:在这项研究的804名患者中,有209名患者(26%)出现院内死亡。

在预测院内死亡时,四个模型的接收器工作特征曲线(ROC)的曲线下面积(AUC)在0.757至0.848的范围内。

在所有模型中,XGBoost的灵敏度最高(87.3%),特异性(81%)和准确性最高(84.6%)。

结论:机器学习算法可以准确预测心源性休克患者院内死亡率,尤其是XGBoost模型。

【总页数】10页(P10081-10090)
【作者】周弛;廉哲勋
【作者单位】青岛大学附属医院心血管内科青岛
【正文语种】中文
【中图分类】R54
【相关文献】
1.血清尿酸对急性心肌梗死院内死亡及心源性休克的预测价值
2.急性心肌梗死后心源性休克患者院内死亡情况分析及早期血运重建的影响
3.机器学习基于不平衡数
据预测急性新发缺血性卒中患者院内死亡模型研究4.IABP-SHOCKⅡ危险评分在老年急性心肌梗死合并心源性休克患者病情评估及院内死亡评估中的应用价值5.急性心肌梗死合并心源性休克患者行急诊经皮冠状动脉介入治疗院内死亡危险因素
因版权原因，仅展示原文概要，查看原文内容请购买。