在新生儿重症监护室新生儿中构建早期发病性败血症的预测模型,该模型基于SHapley添加式扩展,可解释机器学习
相关实验视频
Updated: Jun 5, 2025
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.3K
Xuefeng Tan1, Xiufang Zhang1, Jie Chai1
1Department of Laboratory Medicine, The People's Hospital, Bozhou, China.
Translational pediatrics
|December 9, 2024
概括
一个机器学习模型准确地预测新生儿早期发作的败血症 (EOS),识别关键风险因素,如呼吸速率和前素,以便及时干预.
科学领域:
- 新生儿医学 新生儿医学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 新生儿败血症 (NS) 呈现出微妙,非特异性的临床症状,对新生儿构成重大威胁.
- 早发性败血症 (EOS),发生在出生后72小时内,与高死亡率有关.
- 准确识别NS风险因素和早期诊断对于改善婴儿结果至关重要.
研究的目的:
- 开发一个强大的机器学习 (ML) 模型,用于在新生儿重症监护室 (NICU) 早期预测EOS.
- 确定有助于EOS发展的关键风险因素.
- 为临床应用提供对ML模型预测的可解释的见解.
主要方法:
- 对430名新生儿 (EOS和非EOS) 进行了回顾性队列研究,这些新生儿被录入NICU.
- 使用LASSO回归进行数据预处理和特征选择.
- 评估六个ML模型,包括CatBoost,随机森林和XGBoost,使用ROC和PR曲线.
- 应用SHAP框架用于模型可解释性.
主要成果:
- 所有六种ML模型都实现了ROCAUC>0.900;CatBoost表现出卓越的性能 (ROCAUC0.975,PRAUC0.947).
- 已确定EOS的主要风险因素包括呼吸速率,前素,鼻塞,黄色染色,白细胞计数,发烧和胎液度.
- SHAP分析提供了这些预测特征的排名重要性.
结论:
- 一个以精度为导向的ML模型与SHAP可解释性相结合,有效地识别了关键的EOS风险因素.
- 这种方法促进了EOS风险的早期预测,使得及时和有针对性的临床干预成为可能.
- 该研究支持使用ML精确诊断和治疗新生儿败血症.
