利用机器学习模型从MIMIC-III数据库预测脓毒症患者的急性肾损伤
机器学习
2024-12-06 v1
摘要
脓毒症是一种严重疾病，会导致身体对感染产生错误反应。这种反应随后可能导致器官衰竭，其中主要的一种是急性肾损伤（AKI）。对于脓毒症患者，大约50%会发展为AKI，死亡率超过40%。创建能够基于脓毒症患者特定特征准确预测AKI的模型对于早期检测和干预至关重要。使用来自重症监护病房（ICU）入院脓毒症患者的医疗数据（来自重症监护医疗信息集市III（MIMIC-III）数据库），我们提取了3301名脓毒症患者，其中73%的患者发展为AKI。数据被随机分为训练集（n = 1980，40%）、测试集（n = 661，10%）和验证集（n = 660，50%）。提出的模型是逻辑回归，并与五个基线模型进行了比较：XGBoost、K近邻（KNN）、支持向量机（SVM）、随机森林（RF）和LightGBM。计算了每个模型的曲线下面积（AUC）、准确率、F1分数和召回率。经过分析，我们能够选择23个特征纳入模型，最重要的特征是尿量、最大胆红素、最小胆红素、体重、最大血尿素氮和最小估算肾小球滤过率。逻辑回归模型表现最佳，AUC得分为0.887（95% CI：[0.861-0.915]），准确率为0.817，F1得分为0.866，召回率为0.827，Brier得分为0.13。与该领域现有最佳文献相比，我们的模型在AUC上提高了8.57%，同时使用的变量减少了13个，展示了其在确定脓毒症患者AKI方面的有效性。虽然用于预测脓毒症患者AKI的特征与先前文献相似，但影响我们模型性能的最重要特征有所不同。
引用
@article{arxiv.2412.03737,
title = {Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database},
author = {Aleyeh Roknaldin and Zehao Zhang and Jiayuan Xu and Kamiar Alaei and Maryam Pishgar},
journal= {arXiv preprint arXiv:2412.03737},
year = {2024}
}
备注
18 pages, 6 figures, 5 tables