延迟的免疫调节改善了PICS小鼠模型中的免疫功能障碍

预测ICU患者28天死亡率的研究表明多模型融合（MMF）显著优于单一模型，其AUC-ROC达0.862，平衡敏感性与特异性（84.6%/81.0%），且在亚组分析中表现一致，验证其临床实用价值。

　　

摘要通俗语言总结

---

背景：

准确预测重症监护病房（ICU）患者的28天死亡率是现代重症监护医学中的一个关键挑战，这对临床决策、资源优化和以患者为中心的护理具有深远的影响。传统的病情评分系统和传统的机器学习方法在区分能力、校准准确性和跨异质患者群体的泛化能力方面一直存在局限性。

方法：

这项回顾性队列研究使用了2022年8月至2024年8月期间在一家三级学术医疗中心连续收治的654名成人ICU患者的全面数据。我们开发并严格验证了四种不同的预测方法：逻辑回归（LR）、随机森林（RF）、梯度提升（GB）以及一种创新的多模型融合（MMF）框架，该框架结合了各个模型的概率平均值。我们的评估框架包括了详尽的区分指标（AUC-ROC、敏感性、特异性、F1分数）、复杂的校准评估（布里尔分数、校准曲线、霍斯默-莱梅肖检验）、针对临床相关患者群体的详细亚组分析，以及多维特征重要性评估。

结果：

多模型融合方法在统计上表现出更优的性能，AUC-ROC为0.862（95%置信区间：0.821-0.903），显著优于所有单个模型（LR：ΔAUC=0.121，p<0.001；RF：ΔAUC=0.034，p=0.018；GB：ΔAUC=0.027，p=0.032）。该融合模型在敏感性和特异性之间达到了最佳平衡（敏感性84.6%，特异性81.0%），同时保持了出色的校准特性（布里尔分数：0.140；霍斯默-莱梅肖检验：χ2=6.28，p=0.616）。在所有患者亚组中都观察到了显著的性能一致性（AUC-ROC范围：0.815-0.875），涵盖了不同的年龄层、疾病严重程度和干预需求。SOFA评分、APACHE II评分和格拉斯哥昏迷量表被证明是所有特征重要性方法中始终可靠的预测因子。临床上有意义的风险分层将死亡率分为三个类别：低风险（<0.3的概率，观察到的死亡率为5.6%）、中等风险（0.3-0.7，31.7%）和高风险（>0.7，83.3%）。

结论：

多模型融合框架为ICU患者的28天死亡率预测建立了一种具有临床可行性和方法学复杂性的方法，通过提高区分能力、出色的校准准确性和在多样化患者群体中的良好泛化能力，有效解决了传统方法的基本局限性。这些令人信服的发现强烈支持将其整合到ICU临床决策支持系统中，以提高预后精度并指导个性化治疗策略。

通俗语言总结： 预测ICU患者的28天死亡率对于改善护理和资源利用至关重要。本研究使用了654名ICU患者的数据测试了四种预测方法：逻辑回归、随机森林、梯度提升和多模型融合（MMF）方法。MMF结合了不同模型的结果，表现最佳，AUC-ROC为0.862，显著优于所有单个模型。它在敏感性和特异性之间取得了最佳平衡，并在所有患者亚组中表现出显著的性能一致性。关键预测因子包括SOFA评分、APACHE II评分和格拉斯哥昏迷量表评分。MMF为ICU决策提供了一个有前景的工具，有助于根据患者需求定制治疗方案。

文本由机器生成，可能包含不准确之处。常见问题解答