可解释的机器学习用于早期预测创伤性脑损伤中的败血症:一项发现和验证研究
Wenchi Liu1,2, Xing Yu3,4, Jinhong Chen1,2
1Department of Trauma Center/Emergency Surgery, The First Affiliated Hospital, Fujian Medical University, Fuzhou, China.
PloS one
|November 11, 2024
概括
机器学习模型可以预测创伤性脑损伤 (TBI) 患者的败血症风险. 一种可解释的极端梯度提升模型实现了高精度,帮助重症监护病房的早期干预.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 关键护理医学 关键护理医学
背景情况:
- 患有创伤性脑损伤 (TBI) 的患者面临感染和败血症的风险增加.
- 在TBI患者中早期预测败血症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TBI患者早期败血症风险预测.
- 确定与TBI后败血症发展相关的关键临床特征.
主要方法:
- 利用密集护理IV医疗信息中心数据库 (2008-2019) 进行模型开发和eICU协作研究数据库进行外部验证.
- 应用了六种ML方法,包括极端梯度增强 (XGB),通过回归分析进行特征选择.
- 采用沙普利增量解释 (SHAP) 来实现模型的解释性.
主要成果:
- XGB模型表现出强大的预测性能,AUC为0.807 (内部验证) 和0.762 (外部验证).
- 败血症的关键预测因素包括机械呼吸,SAPSII评分,静脉压力计,入院时输血,糖尿病史和中风后的后果.
- 在队列中的TBI患者中,53.6%患有败血症.
结论:
- 一个可解释的ML模型,特别是XGBoost,可以有效地预测重症监护室 (ICU) 患有TBI的患者的败血症风险.
- 该模型的可解释性允许识别关键风险因素,支持临床决策.
