重症监护病房非创伤性蛛网膜下腔出血患者7 d内死亡风险的机器

这是一篇关于重症监护病房非创伤性蛛网膜下腔出血患者7 d内死亡风险的机器的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

重症监护病房非创伤性蛛网膜下腔出血患者7 d内死亡风险的机器学习预测：一项多中心回顾性研究

• 题目
  • Machine learning predictors of risk of death within 7 days in patients with non-traumatic subarachnoid hemorrhage in the intensive care unit: A multicenter retrospective study
• 摘要
  • 背景/目的
    • 非创伤性蛛网膜下腔出血( subarachnoid hemorrhage，SAH )
    • SAH 是神经外科急危重症，病死率高，给社会和家庭带来沉重负担
    • 准确预测SAH患者7天内的死亡风险可以为临床医生提供有价值的信息，使他们做出更好的医疗决策
    • 主要目的是确定入住重症监护病房的SAH患者7天内死亡的预测因素
    • 识别早期死亡的高危患者，使医生能够及时提供干预措施，并将患者病情告知患者家属，从而减少医患矛盾和疾病负担
  • 方法
    • 利用MIMICⅢ数据库和本研究所收集的数据，开发了6个机器学习模型
      • Logistic Regression ( LR )
      • AdaBoosting ( AB )
      • 多层感知器( MLP )
      • Bagging ( BAG )
      • Gradient Boosting Machines ( GBM )
      • Extreme Gradient Boosting ( XGB )
    • 在本研究中，回顾性收集了548例确诊为SAH的患者，其中训练集341例，测试集207例
      • 公共数据库训练
      • 本院数据测试
    • 采用单变量和多变量logistic回归以及Pearson相关性分析来筛选患者的临床变量
    • 然后将初步筛选的变量纳入机器学习模型，并对这些模型的性能进行评估
    • 决定将单变量逻辑回归分析的结果纳入我们的机器学习算法中进行进一步分析
    • 在测试集中对模型的性能进行测试，通过受试者工作特征曲线下面积( AUC )对模型性能进行评价，通过精确率-召回率( PR )曲线对不平衡数据进行评价，通过不同ML算法模型的准确率和校准曲线评价不同模型的预测性能
    • 对于表现最好的模型，通过绘制夏普利加性解释( SHAP )来确定和报告模型参数的重要性
    • 在这项研究中，使用Shapley值进行风险因素分析，以确定SAH患者7天内死亡的相关因素
  • 结果
    • 本研究共纳入548例患者，其中训练集341例，测试集207例
    • 所有患者7 d内的死亡率为31 %，而训练集和测试集的死亡率分别为24 %和43 %
    • 确定的危险因素包括Gcsmotor，碳酸氢盐，wbc，spo2，心率，年龄，nely，葡萄糖，阴离子间隙，GCS，rbc，sysbp，钠和gcseys
    • 比较了六种模型之间的性能差异，发现MLP模型表现出最高的性能，AUC为0.913
    • 为了给临床医生提供一个评估SAH患者7天内死亡风险的有用工具，基于MLP机器学习模型开发了一个网络计算器
  • 结论
    • 开发了一个用户友好的网络计算器，以帮助临床医生在早期预测患者7天内的死亡风险
• 字不如表
  • Table 1
    • 训练集和测试集基线数据的比较
  • Table 2
    • 对训练集进行单因素和多因素logistic回归分析
      • 32个X
      • 8个X为独立危险因素
  • Table 3
    • 6种机器学习模型的性能比较
• 表不如图
  • Figure 1
    • 数据过滤过程的流程图
    • 公共数据库和本院数据
  • Figure 2
    • 变量间的Pearson相关分析
      • 33个变量
    • 两变量间的相关性采用Pearson相关分析
    • 使用通过Pearson相关分析生成的热图评估变量之间相关性的强度
  • Figure 3
    • Pearson相关分析，有统计学意义的指标用*表示
      • 32个X一个Y
    • 年龄、GCS、Gcs motor、Gcsverbal、Gcseyes、心率采集、Meanbp、Spo2、碳酸氢盐、氯化物、葡萄糖、血小板、钠、Wbc、Rbc、Ph、NLR与结局变量高度相关
      • 17个X
    • 图示19X星号标记
      • 写漏了两个
        • Hematocrit
          • 血细胞比容
        • Hemoglobin
          • 血红蛋白
  • Figure 4
    • 6种ML算法对训练集( A )和测试集( B )的ROC曲线分析
  • Figure 5
    • 分析六种ML算法对训练集( A )和测试集( B )的PR曲线
  • Figure 6
    • 比较6种ML算法对训练集( A )和测试集( B )的校准曲线
  • Figure 7
    • 6种ML方法的雷达图
  • Figure 8
    • MLP机器学习模型5折交叉验证结果的ROC图
      • 为了了解MLP算法模型的性能，使用5折交叉验证作为训练集数据中的重采样方法来进行内部验证
  • Figure 9
    • MLP模型在训练集( A )和测试集( B )中的混淆矩阵
  • Figure 10
    • 进行SHAP分析的变量散点图( A )和重要性排序图( B )
  • Figure 11
    • 解释了SHAP模型对两个案例的预测，图11A为高风险，图11B为低风险
  • Figure 12
    • 用于预测SAH患者7天内死亡的Web计算器
• 补充材料
  • Table S1
    • 既往别人的模型性能