Publique en esta revista
Información de la revista
Compartir
Compartir
Descargar PDF
Más opciones de artículo
ePub
Visitas
...
Original article
Disponible online el 14 de Agosto de 2022
Machine-learning models for prediction of sepsis patients mortality
Modelos de aprendizaje automático para la predicción de la mortalidad de pacientes con sepsis
Visitas
...
C. Baoa, F. Dengb, S. Zhaoc,
Autor para correspondencia
zhshping@csu.edu.cn

Corresponding author.
a Xiangya Hospital, Department of Critical Care Medicine & National Clinical Research Center for Geriatric Disorders, Central South University, Hainan General Hospital, Department of Emergency, Hainan Medical University, Haikou, Hainan, China
b Xiangya Hospital, Department of Oncology, Central South University, Changsha, China
c Xiangya Hospital, Department of Critical Care Medicine & National Clinical Research Center for Geriatric Disorders, Central South University, Hunan Intensive Care Medicine Research Centre, China
Recibido 01 marzo 2022. Aceptado 07 junio 2022
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Figuras (6)
Mostrar másMostrar menos
Material adicional (3)
Abstract
Objectives

Sepsis is an infection-caused syndrome, that leads to life-threatening organ damage. We aim to develop machine learning models with large-scale data to predict sepsis patients’ mortality.

Design

we extracted sepsis patients from two databases, Medical Information Mart for Intensive Care IV (MIMIC-IV) as a train set and Philips eICU Collaborative Research Database as a test set.

Setting

ICUs in multicenter hospitals in the USA during 2012–2019.

Patients or participants

A total of 21,680 sepsis-3 patients are included in the study, in which, 3771 patients were dead and 17,909 survived during hospitalization, respectively.

Interventions

No interventions.

Main variables of interest

Basic information, examination items during hospitalization and some medication and treatment information are incorporated into analyzed. Seven different models were built with a Support vector machine, Decision Tree Classifier, Random Forest, Gradients Boosting, Multiple Layer Perception, Xgboost, light Gradients Boosting to predict dead or live during hospitalization.

Results

Algorithms with an AUC value in the test set of the top three: light GBM, GBM, Xgboost. Considering the performance of the training set and the test set, the light GBM model performs best, and then the parameters of the model were adjusted, after that the AUC value was 0.99 in the train set, 0.96 in the test set, respectively.

Conclusions

Models built with light GBM algorithm from real-world sepsis patients from electronic health records accurately predict whether sepsis patients are dead and can be incorporated into clinical decision tools to enhance the prognosis of the patient and prevent adverse outcomes.

Keywords:
Sepsis
Machine learning
Light GBM
MIMIC-IV
Multi-center
Resumen
Objetivos

Desarrollar modelos de aprendizaje automático con datos a gran escala para predecir la mortalidad de los pacientes con sepsis.

Diseño

Extrajimos pacientes con sepsis de 2 bases de datos: MIMIC-IV como conjunto de entrenamiento y eICU-CRD como conjunto de prueba.

Ámbito

Una UCI de un hospital multicéntrico de EE. UU. durante 2012-2019.

Pacientes o participantes

Se incluyó en el estudio a un total de 21.680 pacientes con sepsis-3, de los cuales 3.771 fallecieron y 17.909 sobrevivieron durante la hospitalización.

Intervenciones

Sin intervenciones.

Principales variables de interés

Se analizaron informaciones básicas, ítems de examen durante la hospitalización y algunos datos de medicación y tratamiento. Se utilizaron 7 modelos diferentes, por ejemplo, la GBM impulsado, para predecir la mortalidad o superviviencia durante la hospitalización.

Resultados

Los 3 primeros valores de AUC en el conjunto de pruebas fueron: GBM, GBM, Xgboost. Considerando el rendimiento del conjunto de entrenamiento y el conjunto de prueba, el modelo máquina de gradiente ligero impulsado funciona mejor; una vez se ajustaron los parámetros del modelo, el valor de AUC fue 0,99 en el conjunto de entrenamiento y 0,96 en el conjunto de prueba.

Conclusiones

Los modelos de pacientes con sepsis del mundo real construidos con el algoritmo de la GBM impulsado a partir de registros de salud electrónicos predicen con precisión si los pacientes con sepsis morirán. También se pueden incorporar a las herramientas de decisión clínica para prevenir resultados adversos.

Palabras clave:
Sepsis
Aprendizaje automático
Máquina de gradiente ligero impulsado
MIMIC-IV
Multicéntrico

Artículo

Opciones para acceder a los textos completos de la publicación Medicina Intensiva
Socio
Si es usted socio de la Sociedad Española de Medicina Intensiva, Crítica y Unidades Coronarias:
Diríjase al área de socios de la web de la SEMICYUC (www.semicyuc.org ) y pulse el enlace a la revista.
Suscriptor
Suscriptor de la revista

Si ya tiene sus datos de acceso, clique aquí.

Si olvidó su clave de acceso puede recuperarla clicando aquí y seleccionando la opción "He olvidado mi contraseña".
Suscribirse
Suscribirse a:

Medicina Intensiva

Comprar
Comprar acceso al artículo

Comprando el artículo el PDF del mismo podrá ser descargado

Precio 19,34 €

Comprar ahora
Contactar
Teléfono para suscripciones e incidencias
De lunes a viernes de 9h a 18h (GMT+1) excepto los meses de julio y agosto que será de 9 a 15h
Llamadas desde España
932 415 960
Llamadas desde fuera de España
+34 932 415 960
Email
Idiomas
Medicina Intensiva

Suscríbase a la newsletter

Opciones de artículo
Herramientas
Material suplementario
es en

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?