目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体...目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体征、实验室结果等临床基本特征。将符合纳入标准的患者以8∶2的比例随机分为训练集和验证集。利用Python软件构建CatBoost模型,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under the ROC curve,AUC)评估模型的预测效能,并与其他临床常用评分对比验证。结果本研究共纳入2131例脓毒症患者,其中449例发生过心脏骤停。建立的CatBoost模型AUC为0.760,较其他评分高。模型中排名前10的特征为:年龄、血乳酸、白细胞介素-6、血氧饱和度、白蛋白、脑利钠肽前体、血钾、血钠、血肌酐和血小板。结论基于机器学习算法建立预测模型为急诊科脓毒症患者发生心脏骤停提供更加准确的预测依据,有利于提高脓毒症患者心脏骤停的救治率。展开更多
文摘目的利用机器学习算法构建急诊科患者脓毒症早期心脏骤停风险预测模型,提高患者救治质量与效率。方法该研究以2020年1月1日至2023年6月1日在解放军总医院第一医学中心急诊抢救间就诊的脓毒症患者为研究对象,收集患者入科后第一次生命体征、实验室结果等临床基本特征。将符合纳入标准的患者以8∶2的比例随机分为训练集和验证集。利用Python软件构建CatBoost模型,采用受试者工作特征曲线(receiver operating characteristic,ROC)下面积(area under the ROC curve,AUC)评估模型的预测效能,并与其他临床常用评分对比验证。结果本研究共纳入2131例脓毒症患者,其中449例发生过心脏骤停。建立的CatBoost模型AUC为0.760,较其他评分高。模型中排名前10的特征为:年龄、血乳酸、白细胞介素-6、血氧饱和度、白蛋白、脑利钠肽前体、血钾、血钠、血肌酐和血小板。结论基于机器学习算法建立预测模型为急诊科脓毒症患者发生心脏骤停提供更加准确的预测依据,有利于提高脓毒症患者心脏骤停的救治率。
文摘目的探索生长分化因子15(growth differentiation factorl5,GDF15)在急性胸痛中的早期诊断价值.方法回顾性收集2020年1月至11月于解放军总医院海南医院急诊科就诊的急性胸痛患者96名纳入研究。记录患者性别、年龄、入院30 min内患者的肌钙蛋白T、肌酸激酶、肌酸激酶同工酶、GDF15、B型钠尿肽,比较不同组各个指标的差异。绘制ROC曲线,评价GDF15与TnT/BNP对急性冠脉综合征(acute coronary syndrome,ACS)诊断价值。统计各个患者的Gensini评分、左室射血分数、住院滞留天数以及支架植入个数,评价这些指标与GDF15浓度的相关关系。结果急性胸痛中总的趋势呈现男多女少(72.92 vs.27.08,%),年龄最大的组别为UA组,年龄为(64.67±13.87)岁,年龄最小的组别是呼吸心搏骤停组,仅为(47.29±9.99)岁。STEMI组、NSTEMI组、UA组中既往罹患高血压病比例较高,所有组别均未在既往罹患糖尿病中表现出明显优势。所有心肌标记物组间差异均有统计学意义,GDF15在ACS相关性胸痛组浓度更高[(2.360±1.710)ng/mL vs.(1.380±1.040)ng/mL,P<0.01]。GDF15与TnT联合对于诊断ACS相关性胸痛的价值最高,其工作特征曲线下面积(the area under the receiver operating characteristic,AUC)可达0.863。GDF15浓度与心脏射血分数负相关,Gensini评分正相关,植入支架个数正相关,患者住院天数正相关。结论GDF15在急性胸痛中具有很好的诊断及预后预测价值。GDF15与TnT联合可提高ACS诊断率。
