目的:探究应激性血糖升高与重症监护病房(intensive care unit,ICU)患者28 d全因死亡风险之间的关系,并比较不同应激性血糖升高指标的预测效能。方法:以重症医学(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)数据库中符合...目的:探究应激性血糖升高与重症监护病房(intensive care unit,ICU)患者28 d全因死亡风险之间的关系,并比较不同应激性血糖升高指标的预测效能。方法:以重症医学(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)数据库中符合纳入、排除标准的ICU患者为研究对象,将应激性血糖升高指标按照百分位数分为Q1(0~25%)、Q2(>25%~75%)、Q3(>75%~100%)组,以是否发生ICU内死亡及在ICU内接受治疗的时间为结局变量,以人口学特征、实验室指标、合并症等为协变量,利用Cox回归及限制性立方样条探究应激性血糖升高和ICU患者28 d全因死亡风险之间的关联;采用受试者工作特征(receiver operation characteristic,ROC)曲线下面积(area under curve,AUC)评价不同应激性血糖升高指标的预测效能,应激性血糖升高指标包括应激性血糖升高比值(stress hyperglycemia ratio,SHR)1、SHR2、血糖间隙(glucose gap,GG);进一步将应激性血糖升高指标纳入牛津急性疾病严重程度评分(Oxford acute severity of illness score,OASIS),探究其改善评分的预测效能,即采用AUC评估评分区分度,AUC越大表明评分区分度越好,采用Brier score评价评分校准度,Brier score越小,表明评分校准度越好。结果:共纳入5249例ICU患者,其中发生ICU内死亡的患者占7.56%。调整混杂因素后的Cox回归分析结果表明,SHR1、SHR2和GG的最高组Q3与最低组Q1相比,ICU患者28 d全因死亡HR(95%CI)分别为1.545(1.077~2.217)、1.602(1.142~2.249)和1.442(1.001~2.061),且随着应激性血糖升高指标的增加,ICU患者死亡风险也逐渐增加(Ptrend<0.05)。限制性立方样条分析表明,SHR和28 d全因死亡风险之间呈线性关系(P>0.05)。SHR2和GG的AUC显著高于SHR1:AUC_(SHR2)=0.691(95%CI:0.661~0.720),AUC_(GG)=0.685(95%CI:0.655~0.714),AUC_(SHR1)=0.680(95%CI:0.650~0.709),P<0.05。将SHR2纳入OASIS评分中,能显著提高评分的区分度和校准度:AUC_(OASIS)=0.820(95%CI:0.791~0.848),AUC_(OASIS+SHR2)=0.832(95%CI:0.804~0.859),P<0.05;Brier score_(OASIS)=0.071,Brier score_(OASIS+SHR2)=0.069。结论:应激性血糖升高与ICU患者28 d全因死亡风险密切相关,可为重症监护患者的临床管理和决策提供参考。展开更多
目的:基于引入注意力机制的长短期记忆网络(long short-term memory,LSTM)和L1正则化的Logistic回归筛选变量,再通过传统的Logistic回归建立重症监护病房(intensive care unit,ICU)脑卒中患者院内死亡风险预测模型并评价模型效果。方法...目的:基于引入注意力机制的长短期记忆网络(long short-term memory,LSTM)和L1正则化的Logistic回归筛选变量,再通过传统的Logistic回归建立重症监护病房(intensive care unit,ICU)脑卒中患者院内死亡风险预测模型并评价模型效果。方法:选取重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中的脑卒中患者作为研究对象,以是否发生院内死亡作为结局变量,备选预测因子包括人口学特征、合并症、入院48 h内实验室检查和生命体征检查等。将数据根据结局指标以8∶2的比例随机进行10次训练集和测试集的划分,在训练集上构建LSTM和L1正则化的Logistic回归模型,在测试集上选取重要程度排名前10的变量的并集纳入Logistic回归建立预测模型,以受试者工作特征曲线下面积(area under curve,AUC)、灵敏度、特异度、预测准确度为指标对模型进行评价,并与未预先进行变量筛选的前进法Logistic回归模型的预测效果进行比较。结果:共纳入2755例脑卒中患者的2979条ICU入院记录,其中院内死亡记录占17.66%。两个变量筛选模型中,L1正则化的Logistic回归模型的AUC显著优于LSTM模型(0.819±0.031 vs.0.760±0.018,P<0.001),两个模型中重要程度均位于前10的变量包括年龄、血糖和尿素氮。最终预测模型的AUC为0.85,灵敏度为85.98%,特异度为71.74%,预测准确率为74.26%,优于未预先进行变量筛选的前进法Logistic回归模型。结论:用引入注意力机制的LSTM和L1正则的Logistic回归筛选出的变量的预测效果较好,具有一定的临床价值。展开更多
目的对基于结构化数据和机器学习方法预测普通人群卒中发病风险的模型表现和预测性能进行系统评价,以有针对性地提高研究质量以及模型的预测性能。方法系统性回顾4个数据库(PubMed,Web of Science,Scopus和Embase)在2021年6月21日之前...目的对基于结构化数据和机器学习方法预测普通人群卒中发病风险的模型表现和预测性能进行系统评价,以有针对性地提高研究质量以及模型的预测性能。方法系统性回顾4个数据库(PubMed,Web of Science,Scopus和Embase)在2021年6月21日之前关于机器学习预测卒中发病风险的所有研究,并由两位研究者独立进行文献筛选、数据提取及偏倚风险评估。采用MedCalc软件,使用随机效应模型对衡量模型区分度的指标进行meta分析,并根据样本量、预测变量集数量、算法类型、预测时间间隔等进行亚组分析,并进行发表偏倚评估和敏感性分析等。结果共纳入11项研究,其中,存在高偏倚风险的有3篇,未知偏倚风险的有6篇,低偏倚风险的有2篇。研究的数据来源包括电子健康档案和医疗保险数据库等,研究的中位预测时间间隔为3年;纳入预测变量个数的中位数为26,样本量的中位数为8175,最常应用的机器学习模型包括神经网络、随机森林和支持向量机。meta分析得出总AUC为0.745(95%CI 0.712~0.778,P<0.001),亚组分析结果显示,对于不同样本量、预测变量集数量,AUC差异均有统计学意义(95%CI无重叠),而对于不同的算法类型及预测时间间隔等,AUC差异较小(95%CI有重叠)。漏斗图和统计学检验结果均显示研究存在发表偏倚(P=0.050);敏感性分析结果显示:剔除极端AUC值的模型后,meta分析得出总AUC为0.746(95%CI 0.714~0.777,P<0.001),对极端AUC值不敏感(P<0.001)。结论采用结构化数据和机器学习方法预测人群中卒中发病风险的效果一般,且相关研究的质量均不高,实际应用时,需要通过针对性的改进提高模型的预测能力。展开更多
文摘目的:探究应激性血糖升高与重症监护病房(intensive care unit,ICU)患者28 d全因死亡风险之间的关系,并比较不同应激性血糖升高指标的预测效能。方法:以重症医学(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)数据库中符合纳入、排除标准的ICU患者为研究对象,将应激性血糖升高指标按照百分位数分为Q1(0~25%)、Q2(>25%~75%)、Q3(>75%~100%)组,以是否发生ICU内死亡及在ICU内接受治疗的时间为结局变量,以人口学特征、实验室指标、合并症等为协变量,利用Cox回归及限制性立方样条探究应激性血糖升高和ICU患者28 d全因死亡风险之间的关联;采用受试者工作特征(receiver operation characteristic,ROC)曲线下面积(area under curve,AUC)评价不同应激性血糖升高指标的预测效能,应激性血糖升高指标包括应激性血糖升高比值(stress hyperglycemia ratio,SHR)1、SHR2、血糖间隙(glucose gap,GG);进一步将应激性血糖升高指标纳入牛津急性疾病严重程度评分(Oxford acute severity of illness score,OASIS),探究其改善评分的预测效能,即采用AUC评估评分区分度,AUC越大表明评分区分度越好,采用Brier score评价评分校准度,Brier score越小,表明评分校准度越好。结果:共纳入5249例ICU患者,其中发生ICU内死亡的患者占7.56%。调整混杂因素后的Cox回归分析结果表明,SHR1、SHR2和GG的最高组Q3与最低组Q1相比,ICU患者28 d全因死亡HR(95%CI)分别为1.545(1.077~2.217)、1.602(1.142~2.249)和1.442(1.001~2.061),且随着应激性血糖升高指标的增加,ICU患者死亡风险也逐渐增加(Ptrend<0.05)。限制性立方样条分析表明,SHR和28 d全因死亡风险之间呈线性关系(P>0.05)。SHR2和GG的AUC显著高于SHR1:AUC_(SHR2)=0.691(95%CI:0.661~0.720),AUC_(GG)=0.685(95%CI:0.655~0.714),AUC_(SHR1)=0.680(95%CI:0.650~0.709),P<0.05。将SHR2纳入OASIS评分中,能显著提高评分的区分度和校准度:AUC_(OASIS)=0.820(95%CI:0.791~0.848),AUC_(OASIS+SHR2)=0.832(95%CI:0.804~0.859),P<0.05;Brier score_(OASIS)=0.071,Brier score_(OASIS+SHR2)=0.069。结论:应激性血糖升高与ICU患者28 d全因死亡风险密切相关,可为重症监护患者的临床管理和决策提供参考。
文摘目的:基于引入注意力机制的长短期记忆网络(long short-term memory,LSTM)和L1正则化的Logistic回归筛选变量,再通过传统的Logistic回归建立重症监护病房(intensive care unit,ICU)脑卒中患者院内死亡风险预测模型并评价模型效果。方法:选取重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中的脑卒中患者作为研究对象,以是否发生院内死亡作为结局变量,备选预测因子包括人口学特征、合并症、入院48 h内实验室检查和生命体征检查等。将数据根据结局指标以8∶2的比例随机进行10次训练集和测试集的划分,在训练集上构建LSTM和L1正则化的Logistic回归模型,在测试集上选取重要程度排名前10的变量的并集纳入Logistic回归建立预测模型,以受试者工作特征曲线下面积(area under curve,AUC)、灵敏度、特异度、预测准确度为指标对模型进行评价,并与未预先进行变量筛选的前进法Logistic回归模型的预测效果进行比较。结果:共纳入2755例脑卒中患者的2979条ICU入院记录,其中院内死亡记录占17.66%。两个变量筛选模型中,L1正则化的Logistic回归模型的AUC显著优于LSTM模型(0.819±0.031 vs.0.760±0.018,P<0.001),两个模型中重要程度均位于前10的变量包括年龄、血糖和尿素氮。最终预测模型的AUC为0.85,灵敏度为85.98%,特异度为71.74%,预测准确率为74.26%,优于未预先进行变量筛选的前进法Logistic回归模型。结论:用引入注意力机制的LSTM和L1正则的Logistic回归筛选出的变量的预测效果较好,具有一定的临床价值。
文摘目的对基于结构化数据和机器学习方法预测普通人群卒中发病风险的模型表现和预测性能进行系统评价,以有针对性地提高研究质量以及模型的预测性能。方法系统性回顾4个数据库(PubMed,Web of Science,Scopus和Embase)在2021年6月21日之前关于机器学习预测卒中发病风险的所有研究,并由两位研究者独立进行文献筛选、数据提取及偏倚风险评估。采用MedCalc软件,使用随机效应模型对衡量模型区分度的指标进行meta分析,并根据样本量、预测变量集数量、算法类型、预测时间间隔等进行亚组分析,并进行发表偏倚评估和敏感性分析等。结果共纳入11项研究,其中,存在高偏倚风险的有3篇,未知偏倚风险的有6篇,低偏倚风险的有2篇。研究的数据来源包括电子健康档案和医疗保险数据库等,研究的中位预测时间间隔为3年;纳入预测变量个数的中位数为26,样本量的中位数为8175,最常应用的机器学习模型包括神经网络、随机森林和支持向量机。meta分析得出总AUC为0.745(95%CI 0.712~0.778,P<0.001),亚组分析结果显示,对于不同样本量、预测变量集数量,AUC差异均有统计学意义(95%CI无重叠),而对于不同的算法类型及预测时间间隔等,AUC差异较小(95%CI有重叠)。漏斗图和统计学检验结果均显示研究存在发表偏倚(P=0.050);敏感性分析结果显示:剔除极端AUC值的模型后,meta分析得出总AUC为0.746(95%CI 0.714~0.777,P<0.001),对极端AUC值不敏感(P<0.001)。结论采用结构化数据和机器学习方法预测人群中卒中发病风险的效果一般,且相关研究的质量均不高,实际应用时,需要通过针对性的改进提高模型的预测能力。
