可解释的机器学习模型用于在重症患者中预测新发性心房动:一项多中心研究

科学领域:

• 关键护理医学 关键护理医学
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 新发性心房动 (NOAF) 是重症监护室 (ICU) 的常见并发症,与患者不良后果有关.
• 早期识别患有NOAF高风险的重症患者对于及时干预至关重要.
• 在这个群体中,NOAF的现有预测方法需要改进.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测重症患者NOAF的风险.
• 在这个患者队列中确定NOAF的关键预测因子.
• 创建一个临床上适用于风险分层的工具.

主要方法:

• 利用来自密集护理医疗信息中心 (MIMIC) 数据库的两个大型,不重叠的数据集 (MIMIC-IV用于培训,MIMIC-III用于外部验证).
• 采用LASSO回归来选择特征,并评估了8个ML算法,XGBoost被选为最佳模型.
• 使用识别,校准和临床实用性指标评估模型性能,并将SHapley添加式扩展 (SHAP) 纳入解释性.

主要成果:

• 最终的ML模型包含23个变量,并显示出强大的预测性能,内部验证的AUC为0.891,外部验证的AUC为0.769.
• 确定的主要预测因素包括年龄,机械通风,尿液输出,败血症,血液尿素,氧和度,连续置换疗法和体重.
• 开发了一个用户友好的界面,将风险概率>0.6定义为高风险.

结论:

• 一个经过验证的ML模型可以可靠地预测在没有接受心脏手术的重症患者中NOAF的风险.
• 使用SHAP值可以提高模型的解释性,帮助临床医生了解NOAF风险因素,并促进预防策略.
• 这种预测工具有可能改善临床决策和ICU环境中的患者结果.