可解释机器学习方法用于预测肺栓塞和心力衰竭重症患者的30天死亡率:一项回顾性研究
Jing Liu1, Ruobei Li2, Tiezhu Yao1
1Department of Cardiology, The Fourth Hospital of Hebei Medical University, Shijiazhuang, Hebei Provence, People's Republic of China.
概括
这项研究开发了一种机器学习模型,用于预测肺栓塞和心力衰竭的重症监护病房患者的30天死亡率. 支持矢量机器模型显示为指导临床决策和改善患者结果的承诺.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 心血管研究研究心血管研究
背景情况:
- 肺栓塞 (PE) 伴随心力衰竭 (HF) 与重症监护室 (ICU) 的高短期死亡率有关.
- 在这个特定的患者群体中,缺乏30天死亡率的预测工具.
- 这项研究解决了在患有HF的重症PE患者中改善风险分层的需要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测PE和HF的ICU患者的30天死亡率.
- 确定这一群体中死亡率的关键预测因素.
- 创建一个临床上适用的风险评估工具.
主要方法:
- 使用密集护理医疗信息中心 (MIMIC) 数据库进行模型开发,并使用eICU协作研究数据库 (eICU-CRD) 进行外部验证.
- 经过严格的特征选择,开发和比较了六个ML模型.
- 使用曲线下的面积 (AUC),校准曲线,决策曲线分析 (DCA),净重新分类改进 (NRI) 和综合歧视改进 (IDI) 评估模型性能.
- 采用沙普利增量解释 (SHAP) 来解释模型的解释性.
主要成果:
- 支持矢量机 (SVM) 模型在内部验证后显示出最佳性能,AUC为0.835.
- SVM模型显示出优异的校准和广泛的临床益处值 (0-90%).
- 该模型的性能优于传统的风险评估系统,并在外部验证后保持可靠性.
- SHAP分析为模型预测提供了洞察力,并开发了一个在线应用程序.
结论:
- 一个经过验证的ML工具,特别是SVM模型,可以有效地预测PE和HF的ICU患者的30天死亡率.
- 这种工具可以帮助临床医生为这种高风险人群做出明智的决定.
- 通过SHAP的模型解释性增强了临床的信任和理解.
