可解释机器学习预测模型用于预测基于布雷登尺度的压力的ICU患者的死亡风险:基于MIMIC-IV的临床研究

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的机器学习
• 预测患者的结果

背景情况:

• 压力是重症监护室 (ICU) 患者的一个重大问题.
• 预测这些患者的死亡风险对于及时干预至关重要.
• 现有的评分系统可能需要改进以提高准确性.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测有压力的ICU患者的90天死亡率.
• 在机器学习框架内评估布拉登尺度的预测性能.
• 确定影响死亡风险的关键因素.

主要方法:

• 来自MIMIC-IV数据库的1774名ICU压力患者的回顾性分析.
• 使用LASSO回归和Boruta算法进行特征选择.
• 使用后勤回归和其他九个机器学习算法的模型开发,使用7:3列车测试分割.
• SHAP (Shapley添加式解释) 用于模型解释性和限制立方线 (RCS) 用于分析得分-结果关系.

主要成果:

• 与其他评分系统 (SOFA,APSIII,Charlson,SAPSII) 相比,采用布拉登量表的机器学习模型显示出最高的预测性能.
• SHAP分析证实了布拉登尺度作为90天死亡率的重要预测指标.
• RCS分析显示,布拉登尺度得分与死亡风险之间存在显著的负相关性.

结论:

• 一个可解释的机器学习模型,通过布拉登尺度得到增强,已成功开发,以预测有压力的ICU患者的90天死亡率.
• 该模型作为临床可靠的风险分层工具的有效性已得到验证.
• 这些发现支持将机器学习与已建立的临床分数相结合,以改善患者管理.