开发和验证可解释的机器学习,用于预测败血症患者的死亡率

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 临床研究是临床研究.

背景情况:

• 败血症是全球死亡的一个重要原因.
• 目前缺乏对败血症结果的有效预测模型.
• 败血症3.0标准为患者队列提供了标准化的定义.

研究的目的:

• 开发一种可解释的机器学习 (ML) 模型,用于预测败血症患者的28天死亡率.
• 使用ML技术识别死亡率的关键预测因素.
• 提高ML模型预测临床实用性的透明度.

主要方法:

• 使用MIMIC-III数据库 (1.4版本) 来获取患者数据.
• 应用了LASSO回归来进行特征选择,其次是XGBoost,RF,LR和SVM模型开发.
• 采用5倍交叉验证和AUC用于模型优化.
• 使用Shapley添加式解释 (SHAP) 解释了最佳模型.

主要成果:

• XGBoost模型实现了最高的AUC (0.806),超过了RF,LR和SVM.
• 由SHAP分析确定的顶级预测因素包括1日尿液输出,年龄,血液尿素和BMI.
• SHAP分析揭示了因子和患者结果之间的非线性相互作用.

结论:

• 机器学习模型,特别是XGBoost,对于预测28天败血症死亡率非常有效.
• SHAP方法提高了ML模型的可解释性,支持临床决策.
• 可解释的人工智能具有显著的潜力,可以改善像败血症这样的关键病症患者的护理.