使用機器學習的ARDS子表型

進行了觀察，多型roport，回顧性研究，以驗證兩種機器學習臨床分類器模型，用於分配急性呼吸窘迫綜合征（ARDS）副型型。在七個單獨的隊列中鑒定了兩種具有不同生物和臨床特征和差異治療反應的ARDS偏離型。此外，還在四項隨機對照試驗中描述了促進ARDS子圍型床位鑒定的臨床分類器模型。

這篇審查旨在通過驗證兩種患者的ARDS患者的驗證來評估這些模型的性能。這些包括早期評估腎病和肺損傷（ELLEI; N = 335），並驗證急性肺損傷標誌物進行診斷（有效; n = 452），LCA衍生的亞偶型。

初級模型中包含生命體征和實驗室變量，而二級模型包括初級模型中的預測器，也包括通氣變量和人口統計。通過計算接收器操作特性曲線（AUC）和校準圖的區域來評估模型的性能。此外，將子型分批分配了0.5的概率截止值，以確定靈敏度，特異性和準確性。

調查人員使用從電子健康記錄中提取的數據評估了主要模型的性能，而通過應用自定義分類器模型來評估二級模型。評價亞偶型的預後值，並測試了它們與正末期呼氣壓力（PEEP）策略的相互作用。依賴變量是90天的死亡率。

分析結果表明，初級臨床分類器模型在先前的0.92均為0.92，有效0.88。與手動策劃預測器相比，當使用EHR導出的預測器時，主要模型的性能類似。在二級模型中，與具有低血壓表型的人分配高炎性骨髓型，90天死亡率較高。觀察到與窺視策略和ARDS子型型的處理相互作用，高窺視組中發現的90天死亡率與低腦膜型與低窺視組和低血壓炎症子型型。

這些觀察結果表明，單獨使用臨床變量的分類器模型可以準確地分配ARDS子圍型，提供有價值的預後信息，並告知管理策略進行個性化待遇。

來源：刺血液呼吸係

圖片信用：iStock