为预测危重症患者在重症监护病房的住院时间(length of stay in intensive care unit, ICU LOS),并探索实验室指标对ICU LOS的影响,本研究基于危重症患者的25个临床指标构建XGBoost模型,对患者是否发生超过3 d的ICU LOS进行预测,并基于S...为预测危重症患者在重症监护病房的住院时间(length of stay in intensive care unit, ICU LOS),并探索实验室指标对ICU LOS的影响,本研究基于危重症患者的25个临床指标构建XGBoost模型,对患者是否发生超过3 d的ICU LOS进行预测,并基于SHAP模型对最佳性能模型进行解释性评估。结果显示,XGBoost模型准确率为87.9%。相比于其他预测模型,XGBoost模型在准确率、敏感度和区分度上均有明显优势。同时,SHAP模型增加了集成模型的可解释性和可靠性。研究表明,XGBoost模型可有效识别ICU LOS较长的患者,辅助医生优化临床治疗方案,改善患者预后状况。展开更多
文摘为预测危重症患者在重症监护病房的住院时间(length of stay in intensive care unit, ICU LOS),并探索实验室指标对ICU LOS的影响,本研究基于危重症患者的25个临床指标构建XGBoost模型,对患者是否发生超过3 d的ICU LOS进行预测,并基于SHAP模型对最佳性能模型进行解释性评估。结果显示,XGBoost模型准确率为87.9%。相比于其他预测模型,XGBoost模型在准确率、敏感度和区分度上均有明显优势。同时,SHAP模型增加了集成模型的可解释性和可靠性。研究表明,XGBoost模型可有效识别ICU LOS较长的患者,辅助医生优化临床治疗方案,改善患者预后状况。
