目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）中脓毒症患者的临床数据，包括人口学特征...
详细信息
目的 探讨重症监护病房脓毒症患者临床表型识别与验证，促进精准医疗发展。方法 采用人工智能算法处理重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care IV，MIMIC-IV）中脓毒症患者的临床数据，包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征，首先应用无监督机器学习算法（K均值聚类和层次聚类）进行表型识别，再应用有监督机器学习算法（轻量级梯度增强机）进行表型预测，并结合机器学习可解释性算法SHAP识别重要特征；最后通过传统统计学方法，从各表型间临床特征差异与临床结局差异两个角度进行验证。结果 在22517例脓毒症患者中发现了3种临床特征及结局显著不同的表型。其中表型1患者的死亡风险最高（28 d死亡率为46.4%），以肾功能异常和疾病严重性评分升高为主；表型3患者的死亡风险最低（28 d死亡率为11.2%），神经功能评分最佳。通过可解释性机器学习，识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征（首日最差值）在表型识别（AUC≥0.89）和表型预后预测（AUC≥0.74）方面表现良好。在出ICU后28 d、60 d、90 d及1年内，表型3患者的死亡风险均最低（HR＜1）。结论 利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型，并筛选出6个关键临床特征，预期将在脓毒症亚型分类及预后评估中发挥重要作用，有助于患者的个体化治疗。
自新冠疫情暴发以来,新冠病毒不断进化,Omicron作为第五个世界卫生组织公布的值得关注的变异株(variants of concern,VOCs),在基因组学、生物学以及流行病学特征上与之前的VOCs存在明显差异。虽然Omicron感染导致的重症率和死亡率相对其...
详细信息
自新冠疫情暴发以来,新冠病毒不断进化,Omicron作为第五个世界卫生组织公布的值得关注的变异株(variants of concern,VOCs),在基因组学、生物学以及流行病学特征上与之前的VOCs存在明显差异。虽然Omicron感染导致的重症率和死亡率相对其他VOCs明显下降,但其极强的传播力不断突破既往感染和疫苗建立的人群免疫屏障和防疫壁垒,可以说Omicron揭开了新冠疫情防控的新篇章。本文对Omicron变异株及其亚种的基因组学、生物学、流行病学特征及其与流感病毒的差异进行阐述,以期为优化疫情防控策略提供科学依据。
暂无评论