监督机器学习模型用于预测败血症患者的败血症相关肝损伤:基于多中心队列研究的开发和验证研究
Jingchao Lei1, Jia Zhai1, Yao Zhang1
1Third Xiangya Hospital of Central South University, Changsha, China.
Journal of medical Internet research
|May 26, 2025
概括
这项研究开发了一种机器学习模型,用于预测患有败血症的患者的败血症相关肝损伤 (SALI). 该模型准确地识别了关键预测因素,有助于早期干预和个性化治疗.
科学领域:
- 关键护理医学 关键护理医学
- 在医疗保健中的数据科学.
- 生物标志物发现发现
背景情况:
- 败血症相关的肝损伤 (SALI) 是败血症的一个关键并发症,增加死亡率.
- 早期SALI检测至关重要,但由于败血症异质性和诊断局限性,具有挑战性.
- 机器学习 (ML) 为预测不良败血症结果提供了一个有希望的途径.
研究的目的:
- 开发一种可解释的ML模型,使用堆叠技术预测败血症患者的SALI.
- 为及时干预和量身定制的治疗策略提供决策支持.
- 加强早期诊断和治疗败血症引起的肝功能障碍.
主要方法:
- 追溯多中心队列研究 (MIMIC-IV和eICU-CRD数据库) 遵循TRIPOD+AI指南.
- 训练了9个ML模型,包括LightGBM,XGBoost和Random Forest,以及一个堆叠组合模型 (LightGBM,XGBoost,RF基础学习者;Lasso元模型).
- 使用ROC-AUC,精度回忆AUC和特征重要性SHAP值等指标验证模型性能.
主要成果:
- 堆叠模型在训练 (ROC-AUC 0.995),内部验证 (ROC-AUC 0.838) 和外部验证 (ROC-AUC 0.721) 数据集中实现了高预测性能.
- 发现的关键预测因素包括总胆红素,乳酸盐,前血栓时间和机械通风状态.
- SHAP分析证实了这些特征对SALI预测的重大贡献.
结论:
- 开发的堆叠组合ML模型为败血症患者的SALI提供了准确和可靠的预测.
- 该模型在早期SALI检测和个性化治疗中显示出显著的临床实用性潜力.
- 可解释的人工智能增强了信任和可解释性,促进了临床采用以改善患者的治疗结果.
