Machine Learning zur Mortalitätsprognose bei septischer Koagulopathie: multicenter validiert
Von KI ausgewählt und zusammengefasst
Worum es geht
Entwicklung und externe Validierung eines interpretierbaren Machine-Learning-Modells (XGBoost) mit 7980 Patienten aus MIMIC-IV, 3815 aus eICU-CRD und 235 vom eigenen Zentrum zur Vorhersage von 28-Tage-Mortalität bei Intensivpatienten mit septischer Koagulopathie (SIC).
Ergebnis
XGBoost-Modell erreichte internes Validierungs-AUC von 0,899 (95% KI 0,889–0,909) und externe AUCs von 0,882 und 0,904, deutlich besser als traditionelle Scoring-Systeme (SOFA, APACHE II, SAPS II, Oxford). Top-5 Prädiktoren: Anionenlücke, RDW, Laktat, Gesamt-Bilirubin, Alter. Benutzerfreundliches Online-Tool (SIC Predict Streamlit) entwickelt. Modell generalisierte robust über Kohorten.
Übertragbarkeit auf Deutschland
USA (MIMIC-IV, eICU), aber externe Validierung; klinischer Nutzenbefund ist übertragbar
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.