在住院患者中构建基于机器学习的急性损伤可解释的预测模型
Xiang Yu1, WanLing Wang2, RiLiGe Wu2
1First Medical Center of Chinese PLA General Hospital, Department of Nephrology, First Medical Center of Chinese PLA General Hospital, State Key Laboratory of Kidney Diseases, National Clinical Research Center for Kidney Diseases, Beijing Key Laboratory of Medical Devices and Integrated Traditional Chinese and Western Drug Development for Severe Kidney Diseases，Beijing Key Laboratory of Digital Intelligent TCM for the Preventionand Treatment of Pan-vascular Diseases，Key Disciplines of National Administration of Traditional Chinese Medicine(zyyzdxk-2023310), Beijing, 100853, China.
Scientific reports
|March 19, 2025
概括
这项研究开发了一个急性损伤 (AKI) 的预测模型,用于住院患者. 极端梯度增强 (XGBoost) 模型准确识别高风险个体,使早期干预成为可能.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 急性损伤 (AKI) 是住院患者常见且严重的并发症.
- 早期预测AKI对于及时干预和改善患者结果至关重要.
- 现有的预测模型可能缺乏准确性或通用性.
研究的目的:
- 在住院成年人中开发和验证AKI的强大预测模型.
- 为了确定与AKI风险相关的关键临床变量.
- 评估不同机器学习模型在AKI预测中的性能.
主要方法:
- 这是一项使用59936名住院成人的数据进行的观察性研究.
- 构建和验证五个预测模型,包括极端梯度提升 (XGBoost) 和支持向量机 (SVM).
- 使用随机森林递归特征消除和使用Shapley添加式解释 (SHAP) 进行变量重要性分析来选择特征.
主要成果:
- 在初级验证队列中,XGBoost模型表现出优异的性能 (AUC 0.9357).
- 关键预测因素包括尿酸,状溶液,摄入肌素,脉冲和白蛋白.
- 外部验证显示出良好的表现,SVM和XGBoost模型达到0.81.1以上的AUC.
结论:
- 开发的模型准确地预测到48小时前的AKI风险.
- 该模型为临床医生提供了一个直观的工具来评估AKI风险.
- 早期风险评估有助于制定积极的AKI管理策略.
