基于可解释性的机器学习,用于预测中国重症监护病人的肺炎死亡风险

科学领域:

• 临界护理医学 临界护理医学
• 数据科学数据科学数据科学
• 肺部医学 肺部医学

背景情况:

• 肺部炎症在重症监护室 (ICU) 患者中具有显著的过早死亡风险.
• 准确预测死亡风险对于及时的临床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 (ML) 预测模型,用于精确确定ICU患者肺炎早期死亡风险.
• 评估六种不同的ML技术的性能,以预测死亡率.

主要方法:

• 利用来自中国ICU开源数据库的2790名患有感染的ICU患者的数据 (2019年1月至2020年12月).
• 应用了六个ML算法:后勤回归,随机森林,梯度提升树,XGBoost,多层感知子和K-最近邻居,并进行交叉验证网格搜索以进行参数调整.
• 使用八个指标评估模型性能,包括准确性,精度,回忆,F1得分,AUC,Brier得分,Jordon指数和校准斜率. 对于最好的模型,使用了SHAP和LIME等可解释技术.

主要成果:

• 极端梯度提升树 (XGBoost) 模型表现出卓越的性能,精度为0.889,AUC为0.956,Brier分数为0.050.
• XGBoost在精度 (0.871),回忆 (0.913) 和F1得分 (0.891) 中取得了很高的分数,这表明了强大的区分能力.
• 为了潜在的临床应用,使用XGBoost模型开发了一个交互式网页.

结论:

• 可解释的机器学习模型,特别是XGBoost,可以准确预测肺炎重症监护病人的过早死亡风险.
• 早期识别高风险患者有助于制定有针对性的临床决策,并积极管理生存率和死亡率.
• 这种方法具有显著的潜力,可以通过在重症监护机构早期发现和干预死亡风险来提高患者护理.