机器学习可解释性方法,以表征血液生物标志物的重要性,预测疑似感染患者的预后

科学领域:

• 医疗信息学医学信息学
• 血液学 血液学 血液学
• 机器学习在医疗保健中的应用

背景情况:

• 在急诊室 (ED) 早期发现败血症对于降低死亡率至关重要.
• 单细胞分布宽度 (MDW) 是一种新的FDA批准的败血症生物标志物,但需要专门的设备,并非常规可用.
• 对MDW与常规血液学参数和血预测结果的生命体征的比较价值尚不清楚.

研究的目的:

• 评估MDW的预测价值与常规可用的血液学参数和败血症结局的生命体征.
• 开发和验证一种机器学习 (ML) 框架,用于预测ED患者的败血症相关的不良结果.
• 为了确定标准的血液学测试是否可以在败血症预测模型中替代MDW.

主要方法:

• 分析了来自10229名疑似感染和败血症结果差的ED患者的数据.
• 使用七个数据模型和一组高精度ML算法 (0.83-0.90精度) 开发分析框架.
• 应用局部可解释模型-不可知解释 (LIME) 和Shapley添加值 (SHAP) 对于ML模型的可解释性.

主要成果:

• 机器学习模型在预测败血症相关结果 (3天ICU停留或死亡) 中取得了高准确性.
• 可解释性方法表明,当包括常见的血液学参数和生命体征时,MDW的预测值显著降低.
• 全血计与差异 (CBC-DIFF) 与生命体征数据相结合,显示了与MDW相比的可比预测性能.

结论:

• 常规的血液学参数和生命体征足以基于ML的高精度预测与败血症相关的不良结果.
• 在资源有限的环境中,CBC-DIFF和生命体征可以作为专门的MDW生物标志物的经济有效替代品.
• 这项研究提供了一种经过验证的ML方法,用于使用随时可用的临床数据对早期败血症结果进行查.