可解释的机器学习模型用于在重症儿童中早期预测传播性血管内凝血
Jintuo Zhou1, Yongjin Xie2, Ying Liu1
1Department of Pharmacy, Fujian Maternity and Child Health Hospital College of Clinical Medicine for Obstetrics and Gynecology and Pediatrics, Fujian Medical University, #18 Daoshan Road, Fuzhou, China.
Scientific reports
|April 2, 2025
概括
在重症儿童中,早期预测传播性血管内凝血 (DIC) 是至关重要的. 机器学习,特别是XGB模型,准确地识别了有风险的儿童,使得及时干预和改善了儿科重症监护室 (PICU) 的结果.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 血液学 血液学 血液学
- 机器学习在医疗保健中的应用
背景情况:
- 分布式血管内凝血 (DIC) 是危及生命的血栓性血栓性疾病,严重患病的儿童.
- 准确和有效的DIC早期预测对于及时干预和改善患者结果至关重要.
- 现有的预测方法需要对重症儿科患者群体进行增强.
研究的目的:
- 开发和评估机器学习模型,用于在重症儿童中早期预测DIC.
- 在这个脆弱的患者群体中确定DIC发展的关键预测因子.
- 确定在儿科重症监护室 (PICU) 中临床实用性最佳的机器学习算法.
主要方法:
- 利用逐步后勤回归模型从人口统计,并发病,实验室发现和治疗方法中选择候选预测因素.
- 训练和评估了六种机器学习算法:逻辑回归 (LR),极端梯度提升 (XGB),随机森林 (RF),支持矢量机 (SVM),决策树 (DT) 和k-最近邻居 (KNN).
- 使用包括AUC,准确性,特异性,灵敏性,PPV,NPV,精度,回忆和决策曲线分析 (DCA) 在内的指标评估模型性能. 用SHAP分析来解释模型.
主要成果:
- 这项研究包括6093名重症儿童,其中11.2%患有DIC.
- XGB模型表现出卓越的性能,AUC为0.908,高特异性 (0.859),PPV (0.978) 和精度 (0.969).
- 在SHAP分析中,D-二聚合物,INR,PT,TT和PLT数量被确定为DIC最重要的预测因素.
结论:
- 机器学习模型,特别是基于XGB的"Alfalfa-PICU-DIC"模型,为在重症儿童中早期预测DIC提供了可靠的工具.
- 与其他评估算法相比,XGB模型表现出卓越的临床实用性和准确性.
- 通过准确的DIC预测促进及时干预,可以显著减少PICU患者疾病的负担.
