ICU Mortality Prediction Using XGBoost-based Scoring Systems: A Study from a Developing Country
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Accurate mortality prediction in intensive care units (ICUs) is essential for enhancing patient outcomes and optimizing healthcare resource allocation. Traditional scoring systems, such as APACHE, APACHE II, and SAPS, have limitations in handling complex, high- -dimensional ICU data. In this study, multiple machine learning models were compared to establish an efficacious predictive model for mortality tailored explicitly to the Jordanian population and to explicate factors strongly associated with mortality. METHODS: This study was conducted as a single-center, retrospective cohort investigation, and the XGBoost machine learning algorithm was used to develop a novel ICU mortality prediction model. The model aimed to achieve superior prediction accuracy using a diverse set of readily available clinical data, including demographics, comorbidities, laboratory results, and medication groups. Model performance was evaluated against alternative machine learning algorithms, including logistic regression, conventionally employed in traditional scoring systems. RESULTS: Comparative analysis revealed that the XGBoost model performed better than other scoring systems, manifesting heightened accuracy (87.91%), sensitivity (92.88%), and Area Under the Receiver-Operating Characteristic Curve (AUC-ROC) Score/Curve (94.29%). Notably, the patient's length of hospital stays, albumin levels, and urea levels emerged as the most substantial predictors for ICU mortality, each exhibiting respective SHAP values of 0.5, 0.41, and 0.37. CONCLUSION: A locally adapted ICU mortality prediction model was developed, underscoring the pivotal role of predictors such as hospital stay duration, albumin, and urea levels in predicting patient outcomes. The heightened accuracy and sensitivity of the XGBoost model signify its potential as an invaluable tool in the critical task of mortality prediction within the Jordanian ICU context.
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.
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Simulation ou modélisation | low |
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 | 0,017 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle