目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转...目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。展开更多
目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例...目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例入ICU的重症患者的临床资料,计算入ICU后24 h内记录的MAP的变异系数作为MAP变异度,采用一般线性回归观察入ICU 24 h内MAP变异度与重症患者ICU病死率之间的相关性,并采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估MAP变异度预测重症患者ICU病死率的能力。结果入ICU 24 h的MAP变异度与ICU病死率之间有很好的相关性(R2=0.860,P<0.001),MAP变异度越大,ICU病死率越高。24h的MAP变异程度预测ICU病死率的AUC为0.61。结论重症患者入ICU 24 h内的MAP变异度与ICU病死率有很好的相关性,MAP变异度越大,ICU病死率越高;MAP变异度能够为简单快速预测危重患者的ICU病死率提供一定的信息。展开更多
目的构建可预测心脏骤停患者住院期间死亡风险的机器学习模型,并对其进行解释。方法提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care databaseⅣ,MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资...目的构建可预测心脏骤停患者住院期间死亡风险的机器学习模型,并对其进行解释。方法提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care databaseⅣ,MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资料及住院期间转归,基于机器学习算法构建6种可预测心脏骤停患者院内死亡风险的模型,包括XGBoost模型、轻量级梯度提升机(light gradient boosting machine,LGBM)模型、决策树(decision tree,DT)模型、K近邻(K-nearest neighbor,KNN)模型、Logistic回归模型、随机森林(random forest,RF)模型。采用受试者操作特征(receiver operator characteristic,ROC)曲线、临床决策曲线及校准曲线对模型进行评价,并采用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对最优模型的影响,以增加模型的可解释性。结果共1465例符合纳入与排除标准的心脏骤停患者入选本研究。其中住院期间存活773例、死亡692例。经筛选,共纳入82个临床特征用于机器学习模型构建。模型评价结果显示,相较于其余5种模型,LGBM模型预测心脏骤停患者院内死亡的曲线下面积(area under the curve,AUC)更高[0.834(95%CI:0.688~0.894)],且相对于Logistic回归模型、XGBoost模型,其对死亡风险的预测准确性更高(校准度:0.166),临床决策性能更优,整体性能最佳。SHAP算法分析显示,对LGBM模型输出结果影响最大的3个临床特征分别为格拉斯哥睁眼反应评分、碳酸氢盐水平、白细胞计数。结论基于大型公共医疗卫生数据库建立的可预测心脏骤停患者住院期间死亡风险的机器学习模型中,LGBM模型性能最优,其可辅助临床进行更高效的疾病管理和更精准的医疗干预。展开更多
目的评价急诊滞留时间(Emergency Department Length of Stay,ED-LOS)与需要入住重症监护病房(Intensive Care Unit,ICU)的脓毒症患者预后之间的关系。方法此回顾性队列研究从重症监护医学信息数据库(Medical Information Mark for Inte...目的评价急诊滞留时间(Emergency Department Length of Stay,ED-LOS)与需要入住重症监护病房(Intensive Care Unit,ICU)的脓毒症患者预后之间的关系。方法此回顾性队列研究从重症监护医学信息数据库(Medical Information Mark for Intensive Care,MIMIC Ⅲ)提取出需要从急诊科(Emergency Department,ED)直接转入ICU的脓毒症患者的相关信息,以ED-LOS是否大于4 h将研究人群分成两组,比较两组患者结局指标的差异。倾向性评分匹配(Propensity Score Matching,PSM)用于平衡两组间的基线特征。多因素logistic回归分析探讨不同变量对院内死亡率、机械通气及肾脏替代治疗等临床结局的影响;绘制两组患者的28天Kaplan-Meier生存曲线,并进行log-rank检验。结果共有4 918例患者纳入分析,进行1:1 PSM后,两组均有1 895例患者,两组患者的院内死亡率及总住院时间无统计学差异。而与ED-LOS≤4 h组患者相比,>4 h组有更多的患者需要进行机械通气(29.4%vs. 39.9%,P <0.001)以及肾脏替代治疗(8.6%vs.9.8%,P=0.022)。多因素logistic回归分析提示:ED-LOS并未增加或降低院内死亡率(OR=1.016,95%CI:0.988-1.045,P=0.258);而ED-LOS降低了患者需要进行机械通气(机械通气:OR=0.912,95%CI:0.888-0.936,P=0.000)及肾脏替代治疗(OR=0.963,95%CI:0.954-0.972,P=0.021)的风险。结论 ED-LOS与脓毒症患者的院内死亡率及总住院时间并不存在相关性;但ED-LOS的延长,使得更多的脓毒症患者需要进行呼吸支持及肾脏支持治疗。展开更多
目的 利用入住重症监护病房(intensive care unit, ICU)时的血压变异度(CV-MAP)及心率变异度(CV-HR)构建预测模型,预测ICU患者院内死亡的风险。方法 回顾性分析在美国重症监护医学信息数据库Ⅲ(medical information mart for intensive ...目的 利用入住重症监护病房(intensive care unit, ICU)时的血压变异度(CV-MAP)及心率变异度(CV-HR)构建预测模型,预测ICU患者院内死亡的风险。方法 回顾性分析在美国重症监护医学信息数据库Ⅲ(medical information mart for intensive care, MIMICⅢ)中年龄≥18岁,且首次入住ICU患者的临床资料。通过多因素Logistic分析筛选危险因素并构建评分系统,采用受试者工作特征(receiver operator characteristic, ROC)曲线和校准曲线评估模型区分度和校准度,采用临床决策曲线评估模型实际应用价值。结果 共筛选符合标准的患者38 824例,院内死亡患者4075例(住院病死率为10.5%)。从危险因素中选择年龄、是否合并肝脏疾病、是否合并血液系统恶性肿瘤、是否合并转移癌、住院类型、24 h心率变异系数、24 h血压变异系数、是否使用血管活性药、是否接受镇痛治疗、是否接受镇静治疗、是否接受有创机械通气构建简化预测模型。模型预测院内死亡的ROC曲线下面积(AUC)为0.743(95%CI 0.735~0.750,P<0.001),Hosmer-Lemeshow检验χ^(2)=4.978,P=0.083。使用Bootstrap法进行1000次重复采样进行内部验证,校正曲线判断预测值与实际值一致性较好。决策曲线分析提示,在高阈值风险0.1~0.6时,预测模型具有较高的实用价值。结论 基于CV-MAP及CV-HR建立ICU患者院内死亡风险预测模型具有较好的临床预测价值,有助于识别高危患者。展开更多
目的建立脓毒症相关性脑病(sepsis-associated encephalopathy,SAE)患者的死亡风险预测模型并进行验证。方法提取2008—2019年重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中2767例SAE患者的临床数据...目的建立脓毒症相关性脑病(sepsis-associated encephalopathy,SAE)患者的死亡风险预测模型并进行验证。方法提取2008—2019年重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中2767例SAE患者的临床数据作为训练集,构建死亡风险预测模型,并对其预测准确性及拟合优度进行评价。回顾性收集2018年6月至2021年6月合肥市第二人民医院重症医学科的134例SAE患者临床数据纳入验证集,代入预测模型进行外部验证。结果多因素Logistic回归分析显示,年龄、使用血管活性药物、格拉斯哥昏迷评分、国际标准化比值、动脉血氧分压、血乳酸、血尿素氮、白蛋白是SAE患者院内死亡的独立影响因素(P<0.05)。使用影响因素构建预测模型,受试者操作特征(receiver operator characteristic,ROC)曲线下面积为0.765,95%置信区间为74.45%~78.53%,Hosmer-Lemeshow检验显示预测模型的拟合优度良好(χ^(2)=13.090,P=0.109)。将预测模型代入验证集,敏感度为80.00%,特异性为61.60%,准确性为76.87%,ROC曲线下面积为0.757,提示模型外部数据验证中区分度良好。结论构建的预测模型可用于预测SAE患者的院内死亡风险,有助于临床及时调整治疗策略,降低死亡率,改善预后。展开更多
文摘目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。
文摘目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例入ICU的重症患者的临床资料,计算入ICU后24 h内记录的MAP的变异系数作为MAP变异度,采用一般线性回归观察入ICU 24 h内MAP变异度与重症患者ICU病死率之间的相关性,并采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估MAP变异度预测重症患者ICU病死率的能力。结果入ICU 24 h的MAP变异度与ICU病死率之间有很好的相关性(R2=0.860,P<0.001),MAP变异度越大,ICU病死率越高。24h的MAP变异程度预测ICU病死率的AUC为0.61。结论重症患者入ICU 24 h内的MAP变异度与ICU病死率有很好的相关性,MAP变异度越大,ICU病死率越高;MAP变异度能够为简单快速预测危重患者的ICU病死率提供一定的信息。
文摘目的构建可预测心脏骤停患者住院期间死亡风险的机器学习模型,并对其进行解释。方法提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care databaseⅣ,MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资料及住院期间转归,基于机器学习算法构建6种可预测心脏骤停患者院内死亡风险的模型,包括XGBoost模型、轻量级梯度提升机(light gradient boosting machine,LGBM)模型、决策树(decision tree,DT)模型、K近邻(K-nearest neighbor,KNN)模型、Logistic回归模型、随机森林(random forest,RF)模型。采用受试者操作特征(receiver operator characteristic,ROC)曲线、临床决策曲线及校准曲线对模型进行评价,并采用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对最优模型的影响,以增加模型的可解释性。结果共1465例符合纳入与排除标准的心脏骤停患者入选本研究。其中住院期间存活773例、死亡692例。经筛选,共纳入82个临床特征用于机器学习模型构建。模型评价结果显示,相较于其余5种模型,LGBM模型预测心脏骤停患者院内死亡的曲线下面积(area under the curve,AUC)更高[0.834(95%CI:0.688~0.894)],且相对于Logistic回归模型、XGBoost模型,其对死亡风险的预测准确性更高(校准度:0.166),临床决策性能更优,整体性能最佳。SHAP算法分析显示,对LGBM模型输出结果影响最大的3个临床特征分别为格拉斯哥睁眼反应评分、碳酸氢盐水平、白细胞计数。结论基于大型公共医疗卫生数据库建立的可预测心脏骤停患者住院期间死亡风险的机器学习模型中,LGBM模型性能最优,其可辅助临床进行更高效的疾病管理和更精准的医疗干预。
文摘目的评价急诊滞留时间(Emergency Department Length of Stay,ED-LOS)与需要入住重症监护病房(Intensive Care Unit,ICU)的脓毒症患者预后之间的关系。方法此回顾性队列研究从重症监护医学信息数据库(Medical Information Mark for Intensive Care,MIMIC Ⅲ)提取出需要从急诊科(Emergency Department,ED)直接转入ICU的脓毒症患者的相关信息,以ED-LOS是否大于4 h将研究人群分成两组,比较两组患者结局指标的差异。倾向性评分匹配(Propensity Score Matching,PSM)用于平衡两组间的基线特征。多因素logistic回归分析探讨不同变量对院内死亡率、机械通气及肾脏替代治疗等临床结局的影响;绘制两组患者的28天Kaplan-Meier生存曲线,并进行log-rank检验。结果共有4 918例患者纳入分析,进行1:1 PSM后,两组均有1 895例患者,两组患者的院内死亡率及总住院时间无统计学差异。而与ED-LOS≤4 h组患者相比,>4 h组有更多的患者需要进行机械通气(29.4%vs. 39.9%,P <0.001)以及肾脏替代治疗(8.6%vs.9.8%,P=0.022)。多因素logistic回归分析提示:ED-LOS并未增加或降低院内死亡率(OR=1.016,95%CI:0.988-1.045,P=0.258);而ED-LOS降低了患者需要进行机械通气(机械通气:OR=0.912,95%CI:0.888-0.936,P=0.000)及肾脏替代治疗(OR=0.963,95%CI:0.954-0.972,P=0.021)的风险。结论 ED-LOS与脓毒症患者的院内死亡率及总住院时间并不存在相关性;但ED-LOS的延长,使得更多的脓毒症患者需要进行呼吸支持及肾脏支持治疗。
文摘目的 利用入住重症监护病房(intensive care unit, ICU)时的血压变异度(CV-MAP)及心率变异度(CV-HR)构建预测模型,预测ICU患者院内死亡的风险。方法 回顾性分析在美国重症监护医学信息数据库Ⅲ(medical information mart for intensive care, MIMICⅢ)中年龄≥18岁,且首次入住ICU患者的临床资料。通过多因素Logistic分析筛选危险因素并构建评分系统,采用受试者工作特征(receiver operator characteristic, ROC)曲线和校准曲线评估模型区分度和校准度,采用临床决策曲线评估模型实际应用价值。结果 共筛选符合标准的患者38 824例,院内死亡患者4075例(住院病死率为10.5%)。从危险因素中选择年龄、是否合并肝脏疾病、是否合并血液系统恶性肿瘤、是否合并转移癌、住院类型、24 h心率变异系数、24 h血压变异系数、是否使用血管活性药、是否接受镇痛治疗、是否接受镇静治疗、是否接受有创机械通气构建简化预测模型。模型预测院内死亡的ROC曲线下面积(AUC)为0.743(95%CI 0.735~0.750,P<0.001),Hosmer-Lemeshow检验χ^(2)=4.978,P=0.083。使用Bootstrap法进行1000次重复采样进行内部验证,校正曲线判断预测值与实际值一致性较好。决策曲线分析提示,在高阈值风险0.1~0.6时,预测模型具有较高的实用价值。结论 基于CV-MAP及CV-HR建立ICU患者院内死亡风险预测模型具有较好的临床预测价值,有助于识别高危患者。
文摘目的建立脓毒症相关性脑病(sepsis-associated encephalopathy,SAE)患者的死亡风险预测模型并进行验证。方法提取2008—2019年重症医学信息数据库(Medical Information Mart for Intensive Care-Ⅳ,MIMIC-Ⅳ)中2767例SAE患者的临床数据作为训练集,构建死亡风险预测模型,并对其预测准确性及拟合优度进行评价。回顾性收集2018年6月至2021年6月合肥市第二人民医院重症医学科的134例SAE患者临床数据纳入验证集,代入预测模型进行外部验证。结果多因素Logistic回归分析显示,年龄、使用血管活性药物、格拉斯哥昏迷评分、国际标准化比值、动脉血氧分压、血乳酸、血尿素氮、白蛋白是SAE患者院内死亡的独立影响因素(P<0.05)。使用影响因素构建预测模型,受试者操作特征(receiver operator characteristic,ROC)曲线下面积为0.765,95%置信区间为74.45%~78.53%,Hosmer-Lemeshow检验显示预测模型的拟合优度良好(χ^(2)=13.090,P=0.109)。将预测模型代入验证集,敏感度为80.00%,特异性为61.60%,准确性为76.87%,ROC曲线下面积为0.757,提示模型外部数据验证中区分度良好。结论构建的预测模型可用于预测SAE患者的院内死亡风险,有助于临床及时调整治疗策略,降低死亡率,改善预后。
