
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于急性心肌梗死危重患者未来 24 小时内死亡时间更新预测的动态机器学习
《BMC Cardiovascular Disorders》:Dynamic machine learning for time-updated prediction of death within the next 24 hours in critically ill patients with acute myocardial infarction
【字体: 大 中 小 】 时间:2026年08月28日 来源:BMC Cardiovascular Disorders 3.1
编辑推荐:
摘要入住重症监护室 (ICU) 的急性心肌梗死 (AMI) 重症患者病情可能迅速恶化,然而,大多数现有的预后工具依赖于静态的入院信息,并未随着临床状况的演变而更新风险。我们开发并外部验证了一种基于动态路标的机器学习模型,用于预测 ICU 住院期间未来 24 小时内的院内死亡。
入住重症监护室 (ICU) 的急性心肌梗死 (AMI) 重症患者病情可能迅速恶化,然而,大多数现有的预后工具依赖于静态的入院信息,并未随着临床状况的演变而更新风险。我们开发并外部验证了一种基于动态路标的机器学习模型,用于预测 ICU 住院期间未来 24 小时内的院内死亡。在 eICU-CRD 中识别出患有 AMI 的成人 ICU 住院病例用于模型开发和内部验证,在 MIMIC-IV 中用于外部验证。生成重复的 6 小时路标,并将动态 LightGBM 模型与动态惩罚逻辑回归、静态第一窗口 LightGBM、动态 SOFA、AMI 列线图、APS III/APACHE III 以及 OASIS 进行比较。内部验证包括来自 10,613 例 ICU 住院的 109,675 个符合条件路标;外部验证包括来自 4,505 例 ICU 住院的 52,946 个路标。动态 LightGBM 取得了最佳内部性能(AUROC 0.892, AUPRC 0.231, Brier 分数 0.0142),并在外部验证中保持为最强模型(AUROC 0.868, AUPRC 0.215, Brier 分数 0.0182)。外部重新校准提高了校准度,同时保留了区分度。决策曲线分析显示在临床相关阈值下具有最高的净收益,且该模型提供了更早的警告,警报负担最低(每 100 患者日 28.4 次警报)。在预设的高急性度亚组和敏感性分析中,性能保持稳定。这些发现支持将基于动态路标的机器学习作为 AMI 重症患者短期死亡率监测的实用框架。
入住重症监护室 (ICU) 的急性心肌梗死 (AMI) 重症患者病情可能迅速恶化,然而,大多数现有的预后工具依赖于静态的入院信息,并未随着临床状况的演变而更新风险。我们开发并外部验证了一种基于动态路标的机器学习模型,用于预测 ICU 住院期间未来 24 小时内的院内死亡。在 eICU-CRD 中识别出患有 AMI 的成人 ICU 住院病例用于模型开发和内部验证,在 MIMIC-IV 中用于外部验证。生成重复的 6 小时路标,并将动态 LightGBM 模型与动态惩罚逻辑回归、静态第一窗口 LightGBM、动态 SOFA、AMI 列线图、APS III/APACHE III 以及 OASIS 进行比较。内部验证包括来自 10,613 例 ICU 住院的 109,675 个符合条件路标;外部验证包括来自 4,505 例 ICU 住院的 52,946 个路标。动态 LightGBM 取得了最佳内部性能(AUROC 0.892, AUPRC 0.231, Brier 分数 0.0142),并在外部验证中保持为最强模型(AUROC 0.868, AUPRC 0.215, Brier 分数 0.0182)。外部重新校准提高了校准度,同时保留了区分度。决策曲线分析显示在临床相关阈值下具有最高的净收益,且该模型提供了更早的警告,警报负担最低(每 100 患者日 28.4 次警报)。在预设的高急性度亚组和敏感性分析中,性能保持稳定。这些发现支持将基于动态路标的机器学习作为 AMI 重症患者短期死亡率监测的实用框架。