ISSN: 1859 - 2872
Dự báo nhập đơn vị hồi sức tích cực ở bệnh nhân viêm phổi cộng đồng nhập viện: Mô hình eXtreme gradient boosting
Main Article Content
Keywords
Tóm tắt
Mục tiêu: Đánh giá hiệu suất của mô hình học máy eXtreme Gradient Boosting (XGBoost) trong việc dự báo nhu cầu nhập đơn vị chăm sóc tích cực (ICU) ở bệnh nhân viêm phổi cộng đồng (CAP) nhập viện. Đối tượng và phương pháp: Nghiên cứu mô tả, hồi cứu được thực hiện trên bệnh nhân viêm phổi cộng đồng ≥ 18 tuổi tại khoa cấp cứu, Bệnh viện TWQĐ108 từ năm 2021 đến 2022. Dữ liệu lâm sàng và cận lâm sàng thu thập trong vòng 24 giờ đầu nhập viện. Mô hình XGBoost được huấn luyện trên 70% dữ liệu và đánh giá trên 30% còn lại. Mô hình cuối cùng sử dụng các biến dự báo có chỉ số Gain cao nhất. Kết quả: Thông tin của 350 bệnh nhân được đưa vào nghiên cứu, trong đó 75 người (21,4%) cần nhập ICU. Sáu biến dự báo có mức độ ảnh hưởng cao nhất (theo thứ tự giảm dần) là: rối loạn ý thức, tăng urê máu, giảm tiểu cầu, tăng tần số thở, thâm nhiễm đa thùy phổi và tăng số lượng Neutrophil. Mô hình XGBoost cho thấy hiệu suất dự báo cao hơn so với CURB-65, với AUC lần lượt là 0,876 và 0,826. Phân tích đường cong quyết định xác nhận mô hình XGBoost mang lại lợi ích ròng tối đa và ổn định trong khoảng ngưỡng nguy cơ từ 20% đến 80%. Kết luận: Mô hình XGBoost sử dụng 6 biến lâm sàng và cận lâm sàng có khả năng dự báo nhu cầu nhập ICU ở bệnh nhân viêm phổi cộng đồng nhập viện tốt hơn thang điểm CURB-65. Đây là mô hình đơn giản giúp phân tầng nguy cơ tại bệnh nhân viêm phổi cộng đồng tại khoa cấp cứu.
Article Details
Các tài liệu tham khảo
2. Viasus D, Cillóniz C, Cardozo CG, Puerta P, Garavito A, Torres A (2018) Early, short and long-term mortality in community-acquired pneumonia. Annals of Research Hospitals: 2.
3. Ilg A, Moskowitz A, Konanki V et al (2019) Performance of the CURB-65 Score in Predicting Critical Care Interventions in Patients Admitted With Community-Acquired Pneumonia. Ann Emerg Med. 74(1): 60-68. doi:10.1016/j.annemergmed.2018.06.017
4. Montomoli J, Romeo L, Moccia S et al (2021) Machine learning using the extreme gradient boosting (XGBoost) algorithm predicts 5-day delta of SOFA score at ICU admission in COVID-19 patients. J Intensive Med 1(2): 110-116. doi:10.1016/j.jointm.2021.09.002
5. Wiens M, Verone-Boyle A, Henscheid N, Podichetty JT, Burton J (2025) A Tutorial and Use Case Example of the eXtreme Gradient Boosting (XGBoost) Artificial Intelligence Algorithm for Drug Development Applications. Clin Transl Sci 18(3):70172. doi:10.1111/cts.70172
6. Xu Z, Guo K, Chu W, Lou J, Chen C (2022) Performance of Machine Learning Algorithms for Predicting Adverse Outcomes in Community-Acquired Pneumonia. Front Bioeng Biotechnol 10: 903426. doi:10.3389/fbioe.2022.903426
7. Lương Ngọc Khuê, Ngô Quý Châu, Nguyễn Viết Nhung, eds (2020) Hướng dẫn chẩn đoán và điều trị viêm phổi mắc phải tại cộng đồng ở người lớn. Bộ Y tế; 2020.
8. Huang D, Gong L, Wei C, Wang X, Liang Z (2024) An explainable machine learning-based model to predict intensive care unit admission among patients with community-acquired pneumonia and connective tissue disease. Respir Res 25(1): 246. doi:10.1186/s12931-024-02874-3
9. Odeyemi YE, Lal A, Barreto EF et al (2024) Early machine learning prediction of hospitalized patients at low risk of respiratory deterioration or mortality in community-acquired pneumonia: Derivation and validation of a multivariable model. Biomol Biomed 24(2): 337-345. doi:10.17305/bb.2023.9754
10. Samaha HMS, Elsaid AR (2015) Platelet count and level of paCO2 are predictors of CAP prognosis. Egyptian Journal of Chest Diseases and Tuberculosis 64(2): 453-458. doi:https://doi.org/10.1016/j.ejcdt.2015.02.002
11. Niederman MS, Mandell LA, Anzueto A et al (2001) Guidelines for the management of adults with community-acquired pneumonia: diagnosis, assessment of severity, antimicrobial therapy, and prevention. American journal of respiratory and critical care medicine 163(7): 1730-1754.
Article Sidebar
