
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于XGBoost的老年重症肺炎患者28天院内死亡风险预测模型开发与验证研究
《Respiratory Research》:Development and external validation of a machine learning–based model for predicting 28-day in-hospital mortality in elderly patients with severe community-acquired pneumonia
【字体: 大 中 小 】 时间:2026年10月10日 来源:Respiratory Research 5.7
编辑推荐:
摘要背景重症肺炎是老年人死亡的主要原因之一;然而,临床上有效的预后工具仍然匮乏。本研究旨在开发一种机器学习模型,用于个体化预测老年重症肺炎患者的28天院内死亡风险,以便早期识别高危个体并指导临床决策。方法本研究纳入了2019年1月至2025年10月期间在中国六家医疗中心住院的
重症肺炎是老年人死亡的主要原因之一;然而,临床上有效的预后工具仍然匮乏。本研究旨在开发一种机器学习模型,用于个体化预测老年重症肺炎患者的28天院内死亡风险,以便早期识别高危个体并指导临床决策。
本研究纳入了2019年1月至2025年10月期间在中国六家医疗中心住院的老年重症肺炎患者。其中两家医院提供训练队列,四家独立的医疗机构提供验证队列。利用常规收集的临床变量,开发了多种监督机器学习模型来预测28天院内死亡风险。在独立验证队列中评估模型性能,并与现有临床评分进行比较:CURB-65、肺炎严重指数(PSI)、改良序贯器官衰竭评分(mSOFA)和快速序贯器官衰竭评分(qSOFA)。采用可解释机器学习技术对表现最优的模型进行解读。
训练队列和验证队列分别纳入2,194例和561例患者。在训练队列中,XGBoost的受试者工作特征曲线下面积(AUC)为0.866,而CURB-65为0.644,PSI为0.670,mSOFA为0.792,qSOFA为0.650。在独立验证队列中,XGBoost的AUC为0.850,与其模型建立时的表现一致(AUC = 0.866;P = 0.51)。XGBoost显著优于所有传统严重度评分:CURB-65(AUC = 0.652;P < 0.01)、PSI(AUC = 0.685;P < 0.01)、mSOFA(AUC = 0.725;P < 0.01)和qSOFA(AUC = 0.650;P < 0.01)。
该XGBoost模型与现有临床评分相比表现出更优的区分能力,并在改善风险评估和早期干预方面展现出前景。需要在不同临床环境中进行进一步的外部验证,以确认其泛化能力和实用性。
重症肺炎是老年人死亡的主要原因之一;然而,临床上有效的预后工具仍然匮乏。本研究旨在开发一种机器学习模型,用于个体化预测老年重症肺炎患者的28天院内死亡风险,以便早期识别高危个体并指导临床决策。
本研究纳入了2019年1月至2025年10月期间在中国六家医疗中心住院的老年重症肺炎患者。其中两家医院提供训练队列,四家独立的医疗机构提供验证队列。利用常规收集的临床变量,开发了多种监督机器学习模型来预测28天院内死亡风险。在独立验证队列中评估模型性能,并与现有临床评分进行比较:CURB-65、肺炎严重指数(PSI)、改良序贯器官衰竭评分(mSOFA)和快速序贯器官衰竭评分(qSOFA)。采用可解释机器学习技术对表现最优的模型进行解读。
训练队列和验证队列分别纳入2,194例和561例患者。在训练队列中,XGBoost的受试者工作特征曲线下面积(AUC)为0.866,而CURB-65为0.644,PSI为0.670,mSOFA为0.792,qSOFA为0.650。在独立验证队列中,XGBoost的AUC为0.850,与其模型建立时的表现一致(AUC = 0.866;P = 0.51)。XGBoost显著优于所有传统严重度评分:CURB-65(AUC = 0.652;P < 0.01)、PSI(AUC = 0.685;P < 0.01)、mSOFA(AUC = 0.725;P < 0.01)和qSOFA(AUC = 0.650;P < 0.01)。
该XGBoost模型与现有临床评分相比表现出更优的区分能力,并在改善风险评估和早期干预方面展现出前景。需要在不同临床环境中进行进一步的外部验证,以确认其泛化能力和实用性。