Advanced predictive modeling for enhanced mortality prediction in ICU stroke patients using clinical data

医学 冲程(发动机) 重症监护室 假阳性悖论 特征选择 医学诊断 特征(语言学) 人工智能 机器学习 急诊医学 重症监护医学 计算机科学 病理 机械工程 工程类 语言学 哲学
作者
Armin Abdollahi,Negin Ashrafi,Xinghong Ma,Jiahao Zhang,Daijia Wu,Tongshou Wu,Zizheng Ye,Maryam Pishgar
出处
期刊:PLOS ONE [Public Library of Science]
卷期号:20 (5): e0323441-e0323441
标识
DOI:10.1371/journal.pone.0323441
摘要

Background Stroke is second-leading cause of disability and death among adults. Approximately 17 million people suffer from a stroke annually, with about 85% being ischemic strokes. Predicting mortality of ischemic stroke patients in intensive care unit (ICU) is crucial for optimizing treatment strategies, allocating resources, and improving survival rates. Methods We acquired data on ICU ischemic stroke patients from MIMIC-IV database, including diagnoses, vital signs, laboratory tests, medications, procedures, treatments, and clinical notes. Stroke patients were randomly divided into training (70%, n=2441), test (15%, n=523), and validation (15%, n=523) sets. To address data imbalances, we applied Synthetic Minority Over-sampling Technique (SMOTE). We selected 30 features for model development, significantly reducing feature number from 1095 used in the best study. We developed a deep learning model to assess mortality risk and implemented several baseline machine learning models for comparison. Results XGB-DL model, combining XGBoost for feature selection and deep learning, effectively minimized false positives. Model’s AUROC improved from 0.865 (95% CI: 0.821 - 0.905) on first day to 0.903 (95% CI: 0.868 - 0.936) by fourth day using data from 3,646 ICU mortality patients in the MIMIC-IV database with 0.945 AUROC (95% CI: 0.944-0.947) during training. Although other ML models also performed well in terms of AUROC, we chose Deep Learning for its higher specificity. Conclusion Through enhanced feature selection and data cleaning, proposed model demonstrates a 13% AUROC improvement compared to existing models while reducing feature number from 1095 in previous studies to 30.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
xyz完成签到,获得积分10
刚刚
刘智舰发布了新的文献求助10
刚刚
QWERT完成签到,获得积分10
2秒前
酷波er的应助被阳光雨堂采纳,获得10
3秒前
muum完成签到,获得积分10
3秒前
无限糜完成签到 ,获得积分10
3秒前
rmf发布了新的文献求助10
3秒前
豆浆烩面完成签到,获得积分10
4秒前
小二郎的应助被心碎猫托车采纳,获得10
5秒前
七十三度发布了新的文献求助10
7秒前
7秒前
8秒前
9秒前
大胖龙发布了新的文献求助10
10秒前
上官若男的应助被花鳥院夕月采纳,获得10
10秒前
科研通AI6.2的应助被152455采纳,获得10
10秒前
科研通AI6.2的应助被152455采纳,获得10
10秒前
科研通AI6.2的应助被152455采纳,获得10
11秒前
科研通AI6.2的应助被152455采纳,获得10
11秒前
东起欧完成签到 ,获得积分10
11秒前
11秒前
科研通AI6.2的应助被152455采纳,获得10
11秒前
11秒前
秋风的应助被152455采纳,获得10
11秒前
molihuakai的应助被152455采纳,获得10
11秒前
科研通AI6.4的应助被152455采纳,获得10
12秒前
科研通AI6.2的应助被152455采纳,获得10
12秒前
科研通AI6.4的应助被152455采纳,获得10
12秒前
12秒前
14秒前
烟花的应助被失眠的念桃采纳,获得10
14秒前
14秒前
希望天下0贩的0的应助被OisinLi采纳,获得10
14秒前
kin发布了新的文献求助10
14秒前
李爱国的应助被YunjiangZhang采纳,获得10
14秒前
14秒前
14秒前
黄飞驴完成签到 ,获得积分10
15秒前
小蘑菇的应助被冲锋猛男林采纳,获得10
15秒前
七十三度完成签到,获得积分10
15秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Markov Decision Processes and Reinforcement Learning 700
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8171039
求助须知:如何正确求助?哪些是违规求助? 9563751
关于积分的说明 21772122
捐赠科研通 7762548
什么是DOI,文献DOI怎么找? 3430786
关于科研通互助平台的介绍 2554676
邀请新用户注册赠送积分活动 2475657