通过使用可解释的机器学习,在重症患者的败血症诊断时间早期预测死亡率

科学领域:

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

背景情况:

• 败血症对重症患者构成重大威胁,早期死亡率预测对于及时干预至关重要.
• 现有的预测模型在败血症诊断时往往缺乏可解释性或实时适用性.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测毒症诊断时危急病患者的30天死亡率.
• 确定有助于对败血症死亡率预测的关键临床特征.

主要方法:

• 来自MIMIC-IV数据库的24,377名危急病患者的回顾性分析,在ICU入院24小时内诊断出败血症.
• 一个基于树的梯度增强算法 (XGBoost) 在2008-2016年的数据上进行了训练,并在2017-2019年的数据上进行了测试.
• 使用SHapley添加式扩展 (SHAP) 实现了模型解释性,确定了重要的预测特征.

主要成果:

• 在测试数据集上,XGBoost模型在测试数据集上获得了0.853的AUROC和0.581的AUPRC (30天死亡率:17.9%).
• 该模型表现出良好的校准,斜率为1.03和截面为0.14.
• 30天死亡率的首要预测因素包括年龄,红细胞分布宽度升高和呼吸率.

结论:

• 一个可解释的机器学习模型可以有效地预测毒症诊断时危急病患者的30天死亡率.
• 该模型通过SHAP值的可解释性提供了对关键死亡率驱动因素的洞察,促进了临床决策.
• 这种方法有望通过早期风险分层来改善败血症管理的结果.