开发和验证一种可解释的机器学习模型,用于在28天内预测急性-慢性肝衰竭中的侵入性真菌感染
Fei-Xiang Xiong1, Jian-Guo Yan2, Xue-Jie Zhang1
1Center of Integrative Medicine, Beijing Ditan Hospital, Capital Medical University, Beijing, China.
Mycoses
|July 17, 2025
概括
这项研究开发了一种随机森林模型,用于预测急性至慢性肝衰竭 (ACLF) 患者的侵入性真菌感染 (IFI) 风险,其表现优于现有的得分. 该模型识别了高风险因素,如细菌感染和特定的实验室值,以更好地管理患者.
科学领域:
- 机器学习在临床医学中的应用
- 肝病学和重症监护 肝病学和重症监护
背景情况:
- 急性至慢性肝衰竭 (ACLF) 具有高的短期死亡风险.
- 侵入性真菌感染 (IFI) 显著加剧了ACLF患者的死亡率.
- 准确预测IFI风险对于及时干预和改善结果至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测ACLF患者的IFI风险.
- 将开发的ML模型的性能与已建立的临床评分进行比较.
- 通过使用可解释的ML技术,在ACLF患者中确定IFI的关键预测因子.
主要方法:
- 一组1112名ACLF患者被分为培训,内部验证和外部验证组.
- 为了最佳的变量选择,使用了递归特征消除 (RFE).
- 评估了四个ML算法,随机森林 (RF) 被选为表现最好. 模型性能使用C指数,时间依赖ROC曲线,决策曲线分析 (DCA) 和校准曲线进行评估. 局部可解释的模型不可知解释 (LIME) 用于风险因素的识别.
主要成果:
- 与MELD,CLIF-C OF和CLIF-C ACLF得分相比,RF模型在所有验证集中显示出IFI风险的优异预测性能 (在训练集中AUROC为0.922).
- 时间依赖的ROC曲线证实了RF模型在预测28天IFI风险方面的优势.
- LIME分析确定了细菌感染,低水平 (Na < 136 mmol/L),高C反应蛋白 (CRP > 20.1 g/L) 和高总 bilirubin (TBIL > 196.7 μmol/L) 作为重要的危险因素.
结论:
- 开发的随机森林模型为预测ACLF患者的IFI风险提供了有效的工具.
- 该模型通过LIME的可解释性允许识别高风险患者子组.
- 这种方法为优化患者管理提供了显著的临床价值,并可能减少ACLF的IFI相关死亡率.
