Incorporating Laboratory Values Into a Machine Learning Model Improves In-Hospital Mortality Predictions After Rapid Response Team Call
Notice bibliographique
Résumé
Objectives: Machine learning models have been used to predict mortality among patients requiring rapid response team activation. The goal of our study was to assess the impact of adding laboratory values into the model. Design: A gradient boosted decision tree model was derived and internally validated to predict a primary outcome of in-hospital mortality. The base model was then augmented with laboratory values. Setting: Two tertiary care hospitals within The Ottawa Hospital network. Patients: Inpatients over the age of 18 years who experienced a rapid response team activation between January 1, 2015, and May 31, 2016. Interventions: None. Measurements and Main Results: A total of 2,061 rapid response team activations occurred during the study period. The in-hospital mortality rate was 29.4%. Patients who died were older (median age, 72 vs 68 yr; p < 0.001), had a longer length of stay (length of stay) prior to rapid response team activation (4 vs 2 d; p < 0.001), and more often had respiratory distress (31% vs 22%; p < 0.001). Our base model without laboratory values performed with an area under the receiver operating curve of 0.71 (95% CI, 0.71–0.72). When the base model was augmented with laboratory values, the area under the receiver operating curve improved to 0.77 (95% CI, 0.77–0.78). Important mortality predictors in the base model were age, estimated ratio of Pa o 2 to F io 2 (calculated using oxygen saturation and estimated F io 2 ), length of stay prior to rapid response team activation, and systolic blood pressure. Conclusions: Machine learning models can identify rapid response team patients at a high risk of mortality and potentially supplement clinical decision making. Incorporating laboratory values into model development significantly improved predictive performance in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».