目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,...目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。展开更多
目的探讨基于logistic回归的重症监护室(intensive care unit,ICU)转入率预测模型,评价模型的预测效能。方法选取2022年10月至2023年2月河北北方学院附属第一医院HIS系统患者1000例,采用随机抽样的方法将患者分为训练集和验证集,每集各...目的探讨基于logistic回归的重症监护室(intensive care unit,ICU)转入率预测模型,评价模型的预测效能。方法选取2022年10月至2023年2月河北北方学院附属第一医院HIS系统患者1000例,采用随机抽样的方法将患者分为训练集和验证集,每集各500例。采用多因素logistic回归方程分析训练集患者转入ICU的影响因素,采用ROC曲线评价ICU转入率预测模型效能并内部验证。结果训练集500例患者中男358例,女142例,年龄37~79岁,平均(54.5±3.1)岁。多因素logistic回归分析结果显示,年龄≥60岁、有吸烟史、饮酒史、心脏疾病、血管疾病、凝血功能障碍、肝脏疾病、肾脏疾病、高血压、颈椎骨折、胸部骨折、下肢骨折、脑损伤、气血胸、肠道损伤、膀胱损伤、呼吸系统手术、胃肠系统手术、肝胆系统手术的患者,转入ICU的风险越高(P<0.05)。急重症患者转入ICU的预测模型为:logit(P)=1.050X_(1)+2.014X_(2)+1.024X_(3)+1.102X_(4)+1.079X_(5)+1.060X_(6)+1.906X_(7)+1.947X_(8)+1.059X_(9)+1.016X_(10)+1.903X_(11)+1.078X_(12)+2.017X_(13)+1.055X_(14)+1.078X_(15)+1.042X_(16)+3.051X_(17)+2.011X_(18)+1.026X_(19)-145.23。训练集和验证集模型的ROC曲线的AUC分别为0.925(95%CI:0.890~0.957,P<0.05)、0.896(95%CI:0.852~0.931,P<0.05),灵敏度分别为0.8461、0.8102,特异性分别为0.9072、0.8852,约登指数分别为0.7533,0.6954,一致性指数分别为0.901(95%CI:0.882~0.937)、0.862(95%CI:0.837~0.896)。训练集和验证集模型均未偏离完美拟合(χ^(2)=0.133,P=0.625;χ^(2)=0.255,P=0.198),校准曲线Brier score分别为0.145(95%CI:0.103~0.180)、0.183(95%CI:0.133~0.220),平均绝对误差分别为0.017、0.026。结论ICU转入率预测模型效能较为理想,能够为合理调配医疗资源提供一定的参考。展开更多
文摘目的利用FP-Growth和Apriori算法的深度学习(deep learning,DL)功能预测重症监护病房(ICU)患者院内死亡的关联因素。方法筛选美国重症监护医学信息数据库-Ⅲ(medical information mart for intensive care-Ⅲ,MIMIC-Ⅲ)中患者10000例,包含死亡患者1320例,收集其基线资料进行回顾性研究。使用SPSS Modeler 18.0软件编制FP-Growth和Apriori算法程序,通过DL功能计算1320例死亡患者的基线资料间有效强关联规则。对全部患者行Logistic回归分析导致死亡的独立风险因素。参考Logistic回归分析对患者死亡风险的预测结果来验证DL功能的预测结果。结果通过DL功能计算获得死亡患者的基线资料间有效强关联规则9项,其前项包括:年龄、急性生理学与慢性健康状况评估系统Ⅱ(APACHEⅡ)评分、序贯器官衰竭评分(SOFA)、院内感染、机械通气、动静脉插管、动静脉插管时间、导尿管插管。除“肝脏疾病”和“昏迷”外,DL功能同Logistic回归分析预测结果高度一致。两种方法预测结果的比较在一定程度上证实DL功能的科学性和可靠性。结论基于FP-Growth和Apriori算法的DL功能可用于预测ICU患者死亡的关联因素,具有一定应用和推广价值。
文摘目的探讨基于logistic回归的重症监护室(intensive care unit,ICU)转入率预测模型,评价模型的预测效能。方法选取2022年10月至2023年2月河北北方学院附属第一医院HIS系统患者1000例,采用随机抽样的方法将患者分为训练集和验证集,每集各500例。采用多因素logistic回归方程分析训练集患者转入ICU的影响因素,采用ROC曲线评价ICU转入率预测模型效能并内部验证。结果训练集500例患者中男358例,女142例,年龄37~79岁,平均(54.5±3.1)岁。多因素logistic回归分析结果显示,年龄≥60岁、有吸烟史、饮酒史、心脏疾病、血管疾病、凝血功能障碍、肝脏疾病、肾脏疾病、高血压、颈椎骨折、胸部骨折、下肢骨折、脑损伤、气血胸、肠道损伤、膀胱损伤、呼吸系统手术、胃肠系统手术、肝胆系统手术的患者,转入ICU的风险越高(P<0.05)。急重症患者转入ICU的预测模型为:logit(P)=1.050X_(1)+2.014X_(2)+1.024X_(3)+1.102X_(4)+1.079X_(5)+1.060X_(6)+1.906X_(7)+1.947X_(8)+1.059X_(9)+1.016X_(10)+1.903X_(11)+1.078X_(12)+2.017X_(13)+1.055X_(14)+1.078X_(15)+1.042X_(16)+3.051X_(17)+2.011X_(18)+1.026X_(19)-145.23。训练集和验证集模型的ROC曲线的AUC分别为0.925(95%CI:0.890~0.957,P<0.05)、0.896(95%CI:0.852~0.931,P<0.05),灵敏度分别为0.8461、0.8102,特异性分别为0.9072、0.8852,约登指数分别为0.7533,0.6954,一致性指数分别为0.901(95%CI:0.882~0.937)、0.862(95%CI:0.837~0.896)。训练集和验证集模型均未偏离完美拟合(χ^(2)=0.133,P=0.625;χ^(2)=0.255,P=0.198),校准曲线Brier score分别为0.145(95%CI:0.103~0.180)、0.183(95%CI:0.133~0.220),平均绝对误差分别为0.017、0.026。结论ICU转入率预测模型效能较为理想,能够为合理调配医疗资源提供一定的参考。