编辑推荐：
传统评分系统（如 APACHE II、SOFA、SAPS II）基于时间序列变量最差值的逻辑回归（LR）模型预测 ICU 死亡率，忽视时间动态性。研究人员利用长短期记忆（LSTM）算法开展相关研究，结果显示 LSTM 优化模型表现更优，有望重塑重症监护决策支持工具。
传统评分系统，比如急性生理学与慢性健康状况评分系统 II（APACHE II
）、序贯器官衰竭评估（SOFA
）和简化急性生理学评分 II（SAPS II
），通过基于时间序列变量最差值构建的逻辑回归（LR
）模型来预测重症监护病房（ICU
）患者的死亡率。然而，这种方法常常忽略了时间动态变化，从而限制了预测的准确性。
本研究旨在借助长短期记忆（LSTM ）算法提升 ICU 患者死亡率的预测水平。该算法能够充分捕捉患者入住 ICU 最初 24 小时内收集的时间序列数据中的全部时间信息。研究纳入了来自重症监护医学信息数据库 IV（Medical Information Mart for Intensive Care-IV ）的 1336 名 ICU 患者。
研究人员回顾性收集每位患者最初 24 小时内 APACHE II、SOFA 和 SAPS II 评分系统中的时间序列变量，以此构建基于 LSTM 的医院死亡率预测模型。针对每个评分系统，采用了三种不同的数据表示形式：（1）24 小时内的原始每小时数据；（2）依据评分系统中设定的截断点分类得到的每小时数据；（3）每小时计算得到的总分。这些数据分别作为不同 LSTM 模型的输入。
研究运用了一系列指标评估模型性能，包括受试者工作特征曲线下面积（AUC ）、敏感性、特异性、F1 评分和布里尔评分（Brier score ）。结果发现，LSTM 优化后的模型显著优于使用传统评分系统的 LR 模型。以 APACHE II 为例，LSTM 模型的 AUC 达到 0.898，而 LR 模型仅为 0.777（P<0.001 ）。同样，SOFA 和 SAPS II 的 LSTM 模型 AUC 分别为 0.861 和 0.897，相比之下，其对应的 LR 模型 AUC 分别只有 0.715（P<0.001 ）和 0.708（P=0.004 ）。
尽管三种 LSTM 模型表现都不错，但使用原始每小时数据的模型始终展现出最高的准确性，在 APACHE II 评分系统中尤为明显（P=0.021 ）。与传统基于 LR 的评分系统相比，将时间序列数据融入基于 LSTM 的预测模型，显著提高了 ICU 死亡率预测的准确性。这种方法有望通过挖掘患者数据中的时间动态信息，重新定义重症监护环境下的临床决策支持工具。
