基于机器学习和SHAP的出血重症患者医院死亡率的可解释预测

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
• 预测分析是一种预测分析.

背景情况:

• 出血是重症监护室 (ICU) 中常见和严重的疾病,与高死亡率和治疗复杂性有关.
• 针对个性化治疗策略,有效预测ICU出血患者的死亡率至关重要,但目前的预测工具缺乏稳定性和可解释性.
• 现有的临床实践受到缺乏可靠和透明的模型来评估与出血相关的死亡风险的限制.

研究的目的:

• 开发一种可解释的预测模型,用于在重症监护室内经历出血的重症患者的死亡风险.
• 为了利用夏普利添加式扩展 (SHAP) 来解释极端梯度增强 (XGBoost) 模型并确定关键预后因素.
• 通过透明和准确的死亡率预测工具,加强临床决策和资源分配.

主要方法:

• 一项回顾性队列研究,使用eICU协作研究数据库 (eICU-CRD) 的数据进行模型开发和验证.
• 极端梯度提升 (XGBoost) 模型是使用ICU入院前24小时的临床数据开发的,并与其他四种机器学习算法进行比较.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP),在中国REFRAIN队列上进行了外部验证.

主要成果:

• XGBoost模型以0.81的曲线下的面积 (AUC) 实现了最高的预测性能,超过了后勤回归 (AUC=0.726).
• SHAP分析确定了前15个死亡率预测因素,其中 bilirubin 水平是最重要的因素.
• 对REFRAIN队列的外部验证证实了该模型的稳定性 (AUC=0.776),决策曲线分析表明XGBoost模型的净收益优越.

结论:

• 开发的可解释预测模型有效地分层化了患有出血的ICU患者的死亡风险,帮助临床医生优化治疗和资源管理.
• 通过SHAP解释提高模型透明度可以促进更大的临床信任,并促进在重症监护机构采用人工智能驱动的预测工具.
• 这种方法支持基于证据的临床实践,为高风险患者群体提供可靠和可理解的预测.