一种可解释的机器学习模型,用于预测败血症相关的肝损伤患者的28天死亡率
Chengli Wen1, Xu Zhang2, Yong Li3
1Department of Intensive Care Medicine, Department of Critical Care Medicine, The Affiliated Hospital, Southwest Medical University, Luzhou, China.
PloS one
|May 20, 2024
概括
这项研究开发了一种可解释的机器学习模型,用于预测患有败血症相关肝损伤 (SALI) 患者的28天死亡率. 随机森林模型表现出强大的预测性能,超过了传统的评分系统.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 肝病医学 肝病医学
背景情况:
- 败血症相关的肝损伤 (SALI) 是败血症患者死亡的一个重要危险因素.
- 早期和准确的死亡率预测对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于早期预测SALI患者28天死亡率.
- 确定有助于SALI.死亡率预测的关键临床参数.
主要方法:
- 使用了来自密集护理医疗信息中心 (MIMIC-IV和MIMIC-III) 数据库的数据.
- 开发并比较了8个机器学习模型,包括随机森林 (RF),使用Lasso-CV.选择重要的特征.
- 采用沙普利增量解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 随机森林模型在SALI患者28天死亡率方面实现了最高的预测性能 (AUC:0.79).
- 射频超出了既定的临床严重性得分 (例如,SOFA,SAPS II).
- 通过SHAP分析确定的关键预测因素包括尿量,查尔森并发症指数 (CCI),格拉斯哥昏迷量表 (GCS_min),血液尿素 (BUN) 和入院年龄.
结论:
- 开发的随机森林模型提供了一个强大的和可解释的工具,用于预测SALI的28天死亡率.
- 临床参数如尿量,CCI,GCS_min,BUN和入院年龄对于SALI的早期死亡率预测至关重要.
- 这种可解释的模型可以帮助临床医生对SALI患者的风险分层和管理.
