编辑推荐：
来自武汉大学人民医院的研究人员构建机器学习模型预测 AGIB 患者死亡率，GBDT 模型表现最佳，整合 APACHE-II 评分后更优。
本研究旨在开发机器学习（ML）模型，以预测重症监护病房（ICU）中急性胃肠道出血（AGIB）患者的死亡率，并将其预后性能与急性生理学与慢性健康状况评分系统 Ⅱ（APACHE-II）进行比较。研究人员纳入了 2020 年 1 月至 2023 年 12 月武汉大学人民医院 ICU 收治的 961 例 AGIB 患者，随机分为训练队列（n=768）和验证队列（n=193），收集患者入住 ICU 最初 24 小时内的临床数据。利用 Python V.3.7 软件包，采用 XGBoost、随机森林（RF）和梯度提升决策树（GBDT）这 3 种不同算法构建 ML 模型，通过受试者工作特征（ROC）曲线下面积（AUC）评估不同模型的性能。结果显示，共有 94 例患者死亡，总死亡率为 9.78%（训练队列中为 11.32%，验证队列中为 8.96%）。在 3 种 ML 模型中，GBDT 算法的预测性能最高，AUC 达到 0.95（95% 置信区间 0.90 - 0.99），而 XGBoost 和 RF 模型的 AUC 分别为 0.89（95% 置信区间 0.82 - 0.96）和 0.90（95% 置信区间 0.84 - 0.96）。相比之下，APACHE-II 模型的 AUC 为 0.74（95% 置信区间 0.69 - 0.87），特异性为 70.97%（95% 置信区间 64.07 - 77.01）。当将 APACHE-II 评分纳入
GBDT 算法时，集成模型的 AUC 达到 0.98（95% 置信区间 0.96 - 0.99），敏感性为 85.71%，特异性高达 95.15%。综上所述，GBDT 模型是准确预测 AGIB 患者院内死亡率的可靠工具，与 APACHE-II 评分整合后，集成的 GBDT 算法进一步提高了预测准确性，为预后评估提供了有价值的参考。
濞戞挸顑堝ù鍥┾偓鐟邦槹瀹撳孩瀵奸敂鐐毄閻庢稒鍔掗崝鐔煎Υ婵犲洠鍋撳宕囩畺缂備礁妫滈崕顏呯閿濆牓妯嬮柟娲诲幘閵囨岸寮幍顔界暠闁肩瓔鍨虫晶鍧楁閸撲礁浠柕鍡楊儐鐢壆妲愰姀鐙€娲ゅù锝嗘礋閳ь剚淇虹换鍐╃閿濆牓妯嬮柛鎺戞閻庤姤绌遍崘顓犵闁诡喓鍔庡▓鎴︽嚒椤栨粌鈷栭柛娆愬灩楠炲洭鎯嶉弮鍌楁晙
10x Genomics闁哄倹婢橀幖顪渋sium HD 鐎殿喒鍋撻柛姘煎灠瀹曠喓绱掗崱姘姃闁告帒妫滄ご鎼佹偝閸モ晜鐣遍柛蹇嬪姀濞村棜銇愰弴鐘电煁缂佸本妞藉Λ鍧楀礆閸℃ḿ鈧粙鏁嶉敓锟�
婵炲棎鍨肩换瀣▔鐎ｎ厽绁癟wist闁靛棗锕ｇ粭澶愬棘椤撶偛缍侀柛鏍ㄧ墱濞堟厤RISPR缂佹稒鐩埀顒€顦伴悧鍝ヤ沪閳ь剟濡寸€ｎ剚鏆╅悗娑欏姃閸旓拷
闁告娲滅划蹇涙嚄閻愬銈撮幖鏉戠箰閸欏棝姊婚妸銉ｄ海閻犱焦褰冮悥锟� - 婵烇絽宕崣鍡樼閸℃鎺撶鎼达綆鍎戝☉鎾亾濞戞搩浜滃畷鐔虹磼閸℃艾鍔掗悗鍦仱閻涙瑧鎷嬮幑鎰靛悁闁告帞澧楅弳鐔煎箲椤斿灝绐涢柟璨夊倻鐟㈤柛娆樺灥椤宕犻弽顑帡寮搁敓锟�
濞戞挸顑堝ù鍥Υ婵犲嫮鐭庨柤宕囧仜閸炴挳鎽傜€ｎ剚顏ら悹鎰╁妺缁ㄧ増鎷呭⿰鍐ㄧ€婚柡瀣姈閺岀喎鈻旈弴鐘虫毄閻庢稒鍔掗崝鐔煎Υ閿燂拷
