可解释的机器学习用于早期预测在重症监护病房中缺血性中风患者的呼吸机相关肺炎风险

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:

• 呼吸器相关性肺炎 (VAP) 是缺血性中风 (IS) 患者的重大并发症,导致不良后果.
• 目前用于早期识别IS患者的VAP风险的方法有限,缺乏临床解释性.
• 这项研究旨在开发和验证可解释的机器学习 (ML) 模型,用于在重症监护室 (ICU) 患者的早期VAP风险预测.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于早期预测缺血性中风 (IS) 患者的VAP风险.
• 提高ICU中IS患者VAP风险评估的临床解释性.
• 创建一个基于Web的工具,用于可访问的VAP风险评估.

主要方法:

• 使用MIMIC-IV数据库 (培训版本2.2,测试版本3.0) 来获取IS患者数据.
• 采用Boruta算法进行特征选择,并开发了10个ML模型,包括随机森林 (RF).
• 应用Shapley添加式解释 (SHAP) 来实现模型解释性,并使用Streamlit.开发了一个Web应用程序.

主要成果:

• 射频模型实现了0.776的内部验证AUC和0.644.64的外部测试AUC.
• 确定的主要预测因素包括血压,国际正常化比率,机械通风持续时间,消化不良,以及抗生素/吸入数量.
• 虽然RF模型表现有希望,但外部验证性能引发了对通用性的担忧.

结论:

• 开发的RF模型在识别高风险VAP的IS患者方面表现出可靠性.
• SHAP方法为个人风险评估提供了明确的解释,有助于临床决策.
• 基于网络的工具可以促进早期干预,但需要进一步的多中心研究来确认可通用性和实用性.