可解释的人工智能预警模型使用整体方法预测医院内心脏骤停:回顾性队列研究

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 心脏骤停 (CA) 是重症监护室中死亡的主要原因.
• 现有的CA预测算法通常会产生过度的错误报警,并且缺乏临床解释性.
• 早期发现CA对于降低患者死亡率至关重要.

研究的目的:

• 为及时和可解释的心脏骤停预测开发一个整体方法.
• 为了提高CA预测模型的准确性和减少CA预测模型中的错误报警.
• 为临床医生提供针对CA风险分层的临床可操作的见解.

主要方法:

• 来自MIMIC-IV和eICU数据库的生命体征的回顾性分析.
• 从24小时窗口中提取基于多分辨率的统计和共弦相似性特征.
• 发展渐变增强决策树,具有成本敏感的学习和Shapley对可解释性的附加解释.
• 十倍交叉验证和性能评估的外部验证.

主要成果:

• 获得了总体AUROC的0.86和AUPRC的0.58.
• 证明AUROC>0.80用于预测CA事件提前6小时.
• 提高了精度和灵敏度,减少了错误报警,同时保持了高的检测率.
• 外部验证给出了一个AUROC值为0.74和AUPRC值为0.44.

结论:

• 拟议的框架提供准确和可解释的CA预测,减少虚假报警.
• 临床上可解释的结果提高了临床医生的理解,并促进了采用.
• 该系统可用于常规临床使用,并且在数字健康应用中具有潜力.