基于夏普利添加剂的因子分析,用于预测ICU死亡率中的败血症相关脑病变,使用XGBoost - - 一项基于两个大型数据库的回顾性研究

科学领域:

• 关键护理医学 关键护理医学
• 神经学 神经学
• 数据科学数据科学数据科学

背景情况:

• 败血症相关脑病变 (SAE) 具有显著的死亡风险,影响败血症的急性和晚期阶段.
• 对SAE死亡率的预测模型对于改善重症监护室 (ICU) 患者管理至关重要.

研究的目的:

• 构建和验证一种预测模型,用于诊断患有败血症相关脑病变的ICU患者的死亡率.
• 为了确定独立的风险因素,有助于ICU死亡率在SAE患者.

主要方法:

• 使用MIMIC-IV数据库 (7576名患者) 进行培训和内部验证,并使用eICU-CRD数据库 (1573名患者) 进行外部验证.
• 使用极端梯度提升 (XGBoost) 来识别风险因素并构建预测模型.
• 应用了夏普利添加式解释 (SHAP) 来实现模型的解释性和分析因子影响.

主要成果:

• XGBoost模型显示出良好的区分,AUC为0.908 (训练),0.898 (测试) 和0.778 (验证).
• 确定了ICU死亡率的关键预测因素,包括急性生理学得分III,血压素,年龄,红细胞分布宽度,部分血栓形成时间,北上腺素和格拉斯哥昏迷量表.
• 在MIMIC-IV中报告的生存率为88.6%,在eICU-CRD数据集中为89.1%.

结论:

• 基于XGBoost的预测模型准确地预测了败血症相关脑病变患者的ICU死亡率.
• SHAP方法提高了机器学习模型的可解释性,支持临床决策在重症监护环境.