机器学习算法识别sTREM1作为危重症患者结局预测的关键生物标志物

引言：危重症患者的预后评估传统上依赖于严重程度评分或单一生物标志物，各自捕捉危重疾病生物学异质性的能力有限。目的：使用机器学习方法，比较多种生物标志物单独或与临床变量结合，对死亡率和肾脏相关结局的预测性能。材料和方法：我们对FROG-ICU队列进行了事后分析，这是一项针对入住ICU患者的前瞻性观察研究。研究纳入了需要侵入性机械通气或血管活性药物超过24小时的危重患者。主要结局是第90天死亡率，次要结局是ICU内的主要不良肾脏事件（MAKE）。使用多参数方法评估了总共15种血浆生物标志物。ML模型涉及随机森林（RF）和LASSO回归。使用准确度平均下降度来确定RF模型中的变量重要性。在涉及因脓毒症和感染性休克入院的ICU患者的MARS队列中进行了外部验证。结果：在FROG-ICU的2061名患者中，第90天死亡率为30.1%。机器学习模型获得了0.74的AUC，优于严重程度评分（AUC 0.64，p < 0.001）。变量重要性分析一致将sTREM-1确定为最强的预测因子。单独评估时，sTREM-1表现出很高的预后性能（AUC 0.72），与ML模型相当。这些发现在MARS队列中得到证实。在MAKE预测中也观察到类似结果。结论：sTREM-1是与危重症患者死亡率和肾脏相关结局相关的稳健生物标志物。其预测性能与多参数机器学习模型相当，并优于严重程度评分。