基于临床数据的ICU中中风患者死亡率预测的高级建模
机器学习
2024-09-04 v2
摘要
背景：中风是成年人第二大导致残疾和死亡的原因。全球约有1700万人患中风，其中约85%为缺血性中风。预测缺血性中风患者在ICU中的死亡风险对于优化治疗策略、分配资源和提高生存率至关重要。方法：我们从MIMIC-IV数据库中获取了ICU中风患者的数据，包括诊断、生命体征、实验室检测、药物、程序、治疗和临床记录。将中风患者随机分为训练组（70%，n=2441）、测试组（15%，n=523）和验证组（15%，n=523）。为解决数据不平衡问题，我们应用了合成少数过采样技术（SMOTE）。我们选择30个特征用于模型开发，显著减少了从1095个特征到30个特征的特征数量。我们开发了一个深度学习模型来评估死亡风险，并实现了几个基准机器学习模型进行比较。结果：XGB-DL模型结合了XGBoost进行特征选择和深度学习，有效最小化了假阳性率。模型的AUROC从第一天的0.865（95%置信区间：0.821-0.905）提高到第四天的0.903（95%置信区间：0.868-0.936），使用了来自MIMIC-IV数据库中3646名ICU死亡患者的数据，训练时的AUROC为0.945（95%置信区间：0.944-0.947）。虽然其他机器学习模型在AUROC方面也表现良好，但我们选择深度学习模型是因为其特异性更高。结论：通过改进特征选择和数据清洗，本文提出的模型相较于现有模型实现了13%的AUROC提升，同时将特征数量从以前研究的1095个减少到30个。
引用
@article{arxiv.2407.14211,
title = {Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data},
author = {Armin Abdollahi and Negin Ashrafi and Maryam Pishgar},
journal= {arXiv preprint arXiv:2407.14211},
year = {2024}
}