可解释的机器学习模型用于预测重症患者急性损伤的预测

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 关键护理医学 关键护理医学

背景情况:

• 急性损伤 (AKI) 对重症监护室 (ICU) 患者构成重大威胁.
• 迅速预测AKI对于及时干预和改善患者结果至关重要.
• 现有的预测方法可能缺乏解释性,阻碍临床采用.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于在ICU患者中早期预测AKI.
• 应用可解释的人工智能技术来理解为AKI预测做出贡献的因素.
• 提供一个工具,帮助医生识别高风险患者进行主动管理.

主要方法:

• 利用了来自医疗信息中心的密切护理IV (MIMIC-IV) 数据库 (2008-2019) 的数据.
• 开发了六个ML模型,包括极端梯度提升 (XGBoost),以预测AKI.
• 为了模型的可解释性,使用了局部可解释的模型不可知解释 (LIME) 和沙普利添加式解释 (SHAP).

主要成果:

• 包括53,150名重病患者,其中80%在培训组中,20%在验证组中.
• XGBoost 模型表现出卓越的 AKI 预测性能,曲线下的面积 (AUC) 为 0.816.
• 通过XGBoost识别的关键预测因素包括SOFA分数,重量,机械通风和SAPS II.

结论:

• 基于临床特征的ML模型,特别是XGBoost,在预测ICU设置中的AKI方面表现出很高的准确性.
• 可解释的人工智能有助于了解AKI风险因素,支持临床决策.
• 早期识别AKI风险可以及时进行干预,从而有可能改善患者的预后.