Predviđanje početka sepse na intenzivnoj nezi koristeći modele mašinskog učenja: sistematski pregled i meta-analiza.
BMC infectious diseases
Sažetak istraživanja
Pozadina Sepsa je stanje opasno po život uzrokovano abnormalnim odgovorom tijela na infekciju i predstavlja značajan zdravstveni i ekonomski teret širom svijeta zbog visoke stope smrtnosti. Rano prepoznavanje sepse je ključno za efikasan tretman. Ova studija je imala za cilj da sistematski proceni performanse različitih modela mašinskog učenja u predviđanju početka sepse.
Metode Proveli smo sveobuhvatnu pretragu baza podataka Cochrane biblioteke, PubMed, Embase i Web of Science, pokrivajući studije od početka baze podataka do 14. novembra 2022. Koristili smo PROBAST alat za procjenu rizika od pristrasnosti. Izračunali smo prediktivne performanse za početak sepse koristeći C-indeks i tačnost. Pratili smo PRISMA smjernice za ovu studiju.
Rezultati Uključili smo 23 prihvatljive studije sa ukupno 4,314,145 pacijenata i 26 različitih modela mašinskog učenja. Najčešće korišteni modeli u studijama bili su modeli slučajne šume (n = 9), ekstremnog povećanja gradijenta (n = 7) i logističke regresije (n = 6). Modeli nasumične šume (testni skup n = 9, acc = 0,911) i ekstremni gradijent pojačanja (testni set n = 7, acc = 0,957) bili su najprecizniji na osnovu naše analize prediktivnih performansi. Što se tiče ishoda C-indeksa, modeli slučajne šume (n = 6, acc = 0,79) i ekstremnog povećanja gradijenta (n = 7, acc = 0,83) pokazali su najviše performanse.
Zaključak Mašinsko učenje se pokazalo kao efikasan alat za predviđanje sepse u ranoj fazi. Međutim, da bi se dobili precizniji rezultati, potrebne su dodatne metode mašinskog učenja. U našem istraživanju otkrili smo da XGBoost i model slučajne šume pokazuju najbolje prediktivne performanse i da se najčešće koriste za predviđanje početka sepse. Probna registracija CRD42022384015.
Prikaži originalni naslov i sažetak na engleskom
Predicting sepsis onset in ICU using machine learning models: a systematic review and meta-analysis.
Background Sepsis is a life-threatening condition caused by an abnormal response of the body to infection and imposes a significant health and economic burden worldwide due to its high mortality rate. Early recognition of sepsis is crucial for effective treatment. This study aimed to systematically evaluate the performance of various machine learning models in predicting the onset of sepsis.
Methods We conducted a comprehensive search of the Cochrane Library, PubMed, Embase, and Web of Science databases, covering studies from database inception to November 14, 2022. We used the PROBAST tool to assess the risk of bias. We calculated the predictive performance for sepsis onset using the C-index and accuracy. We followed the PRISMA guidelines for this study.
Results We included 23 eligible studies with a total of 4,314,145 patients and 26 different machine learning models. The most frequently used models in the studies were random forest (n = 9), extreme gradient boost (n = 7), and logistic regression (n = 6) models. The random forest (test set n = 9, acc = 0.911) and extreme gradient boost (test set n = 7, acc = 0.957) models were the most accurate based on our analysis of the predictive performance. In terms of the C-index outcome, the random forest (n = 6, acc = 0.79) and extreme gradient boost (n = 7, acc = 0.83) models showed the highest performance.
Conclusion Machine learning has proven to be an effective tool for predicting sepsis at an early stage. However, to obtain more accurate results, additional machine learning methods are needed. In our research, we discovered that the XGBoost and random forest models exhibited the best predictive performance and were most frequently utilized for predicting the onset of sepsis. Trial registration CRD42022384015.
Izvorni podaci
- DOI
- 10.1186/s12879-023-08614-0
- PMID
- 37759175
- PMCID
- PMC10523763
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom