[可解释的基于机器学习的预测模型,用于重症监护室中缺血性中风患者的死亡风险]

科学领域:

• 机器学习 机器学习
• 医疗信息学 医疗信息学
• 临床预测模型临床预测模型

背景情况:

• 严重的缺血性中风具有很大的死亡风险.
• 准确预测一年死亡率对于患者管理至关重要.
• 预测模型的可解释性对于临床信任和应用至关重要.

研究的目的:

• 开发和验证一种内在可解释的机器学习模型,即可解释的增强机器 (EBM),用于预测严重缺血性中风患者的一年死亡率.
• 评估EBM模型在现实世界患者队列中的性能和临床实用性.

主要方法:

• 使用了来自MIMIC-IV数据库 (2008-2019) 的2369名严重缺血性中风患者的队列.
• 患者被随机分配到训练 (80%) 和测试 (20%) 数据集.
• 用曲线下的面积 (AUC),校准曲线,Brier分数和决策曲线分析来评估EBM模型的预测性能.

主要成果:

• 在EBM模型中,AUC达到0.857 (95%CI:0.831-0.887),表明了良好的歧视.
• 校准分析显示,EBM模型的预测与观察到的结果密切一致.
• 该模型在广泛的预测概率值 (0.10-0.80) 中显示出显著的临床净益处.
• 确定的主要预测因素包括年龄,SOFA分数,平均心率,机械通风和平均呼吸率.

结论:

• 开发的EBM模型对于预测严重缺血性中风患者一年死亡风险是有效的.
• 该模型的内在可解释性使临床医生能够理解为患者结果贡献的因素.
• 这种可解释的EBM模型可以支持临床决策和改善患者护理策略.