可解释的机器学习模型,用于在重症监护室入院后早期预测老年患者的妄想:一个导出和验证研究
Dayu Tang1, Chengyong Ma1, Yu Xu1
1Department of Critical Care Medicine, West China Hospital, Sichuan University, Chengdu, China.
Frontiers in medicine
|June 3, 2024
概括
机器学习准确地预测了老年ICU患者的妄想. 结合XGBoost和SHAP,为早期干预提供个性化的风险洞察力.
科学领域:
- 密集护理医学是密集护理的医学.
- 老年医学 老年医学
- 计算医学是一种计算医学.
背景情况:
- 狂妄症是65岁及以上的重症监护室 (ICU) 患者常见的并发症.
- 它与预后不佳和显著的发病率有关.
- 早期预测对于及时干预和改善结果至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于在老年ICU患者中预测早期妄.
- 确定导致妄想发展的关键风险因素.
- 通过可理解的预测分析来增强临床决策.
主要方法:
- 使用MIMIC-IV数据库进行的回顾性观察队列研究.
- 通过最小绝对收缩和选择操作员回归 (LASSO) 进行特征选择.
- 模型开发使用后勤回归,决策树,支向量机,极端梯度增强 (XGBoost),k-最近邻居和天真贝叶斯.
- 使用AUC,精度,灵敏度,特异性,F1得分,校准图表和决策曲线分析进行性能评估.
- 使用夏普利添加式扩展 (SHAP) 的解释性分析.
主要成果:
- 在训练组中,XGBoost模型实现了最高的性能指标 (AUC=0.836,精度=0.765).
- 该模型在验证队列中显示出优异的歧视 (AUC=0.810) 和良好的校准.
- 在SHAP分析中,格拉斯哥昏迷表,机械通风和镇静被确定为最高风险特征.
- SHAP图表提供了因子级别和个人级别的模型解释.
结论:
- 机器学习,特别是XGBoost,是预测老年ICU患者痴呆风险的可靠工具.
- 结合XGBoost和SHAP,可以提供可解释,个性化的风险预测.
- 这种模型有助于早期风险评估和在重症监护机构中对妄的及时干预.
