文章介紹
預測加護病房（ICU）的死亡率，對於治療重症病人的決策有很大的幫助。目前已有許多基於統計技術的評分系統被開發出來。周睿信醫師團隊開發了一個機器學習模型，用於預測病人在 ICU 入院的早期階段的死亡率。
研究使用了 2009 年到 2018 年間，所有入住台灣某三級醫療中心 ICU 的病人的數據。從電子病歷中獲得病人在 ICU 入院當天的共病、共用藥物、生命徵象和實驗室數據，建立了 random forest（RF）和 extreme gradient boosting（XGBoost）模型來預測 ICU 死亡率，並將其性能與傳統評分系統進行比較。
12377 位病人的數據分配到訓練組（n = 9901）和測試組（n = 2476）。病人的中位數年齡是 70.0 歲；9210（74.41%）位病人在 ICU 中接受了機械通氣。RF 和 XGBoost 模型的 ROC 曲線面積分別為 0.876 和 0.880，大於急性生理和慢性健康評估分數 0.738、連續器官衰竭評估分數 0.747，和簡化急性生理分數 0.743。ICU 入院時吸入氧的分數在所有模型中都是最重要的預測特徵。
周睿信醫師團隊的研究發現，XGBoost 模型最準確地預測了 ICU 死亡率，並優於傳統的評分系統。突顯了機器學習在預測亞洲人口 ICU 死亡率的實用性。
恭喜周醫師！
論文的標題要怎麼寫才能吸引審閱者的目光？來看看講師的建議：
