机器学习模型用于预测社区获得性肺炎患者的死亡率

一项新研究表明，机器学习模型可用于预测社区获得性肺炎患者的死亡率，表现优于传统评分系统。这项研究比较了多种预测工具，包括传统的预后评分系统和机器学习模型，结果表明机器学习模型表现更佳。这项研究还发现，机器学习模型可用于增强患者死亡率的预测能力，从而提高治疗效果。 据研究人员介绍，机器学习模型是一种有效的工具，可用于改善现有临床工具的预测能力，如预后评分。然而，还需要更多的研究来评估机器学习技术在提高社区获得性肺炎（CAP）现有评分的预测能力方面的表现。该研究旨在实现和验证一种因果概率网络（CPN）模型，用于预测CAP患者的死亡率。本研究涉及在西班牙大学附属医院进行的回顾性推导和验证分析。 该研究比较了顺序器官功能衰竭评分（SOFA）、肺炎严重指数（PSI）、快速顺序器官功能衰竭评分（qSOFA）和CURB-65标准（混乱、尿素、呼吸率、血压、65岁以上）与一种适用于CAP的CPN（SeF-ML），该模型最初是用于预测败血症的死亡率。值得注意的是，SeF模型是专有的。研究人员使用DeLong技术评估了曲线之间的差异。 研究人员在推导队列中发现，使用SeF-ML、CURB-65、SOFA、PSI和qSOFA进行30天死亡率预测的AUC分别为0.801、0.759、0.671、0.799和0.642。在验证队列中，SeF-ML的AUC为0.826，与训练数据中的AUC（0.801）匹配（P =.51）。SeF-AUC ML为0.764，显著高于CURB-65（0.764，P =.03）和qSOFA（0.729，P =.005）。然而，它与PSI（0.830；P =.92）或SOFA（0.771；P =.14）没有显著差异。使用结构化健康数据，SeF-ML显示出提高CAP患者死亡率预测的潜力。为增强推广性，需要进行更多的外部验证研究。