基于多领域电子健康档案的机器学习模型用于住院患者病情恶化早期预警

《Scientific Reports》：Development and internal validation of an EHR machine learning model for clinical deterioration in ICU linked inpatients

　　**摘要**住院患者病情恶化的早期预警评分主要依赖当时的生命体征，可能未能纳入更广泛的电子健康档案（EHR）信息。我们使用MIMIC-IV v3.1开发并内部验证了一个多领域EHR机器学习模型。采用6小时滑动窗口框架，从80,442例ICU相关住院记录中生成了1,334,773个监测窗口。复合结局为24小时内的转入ICU、侵入性机械通气或住院死亡（发生率1.96%）。XGBoost模型的AUROC为0.758（患者聚类95%置信区间0.753–0.763），而改良NEWS2为0.568，qSOFA为0.549，休克指数为0.539，MEWS为0.533。领域级消融分析表明，生命体征是主要的预测领域，而多领域整合相较于仅使用生命体征的模型，AUROC提高了0.041。在90%的敏感性下，模型每个受监测患者日生成2.51个警报，阳性预测值为2.8%。将连续警报合并后，每个患者日产生0.52个警报事件，事件级敏感性为96.9%，但事件级精确度仍然较低，仅为5.1%。临床应用前需进行外部验证和前瞻性操作评估。