可解释的机器学习用于预测心肌梗塞患者的ICU死亡率,使用伪动态数据.
Munib Mesinovic1, Peter Watkinson2, Tingting Zhu3
1Department of Engineering Science, University of Oxford, Oxford, UK. munib.mesinovic@jesus.ox.ac.uk.
Scientific reports
|July 31, 2025
概括
一个新的机器学习框架,XMI-ICU,准确地预测了重症监护室 (ICU) 患有心肌梗塞的患者的死亡率,提前24小时. 这种可解释的人工智能工具为心脏病发作患者的护理提供了更好的临床见解.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 心肌梗塞 (MI) 是导致死亡的主要原因,重症监护室 (ICU) 患者面临高风险.
- 在ICU中准确及时预测死亡率对于有效的患者管理至关重要.
研究的目的:
- 开发一种可解释的,伪动态的机器学习框架,用于预测心脏病发作的ICU患者的死亡率.
- 对标准机器学习算法进行对比,评估新型表式深度学习方法的性能.
主要方法:
- 利用两个回顾性ICU队列 (eICU和MIMIC-IV) 开发和验证一个机器学习框架 (XMI-ICU).
- 在EHR时间序列提取框架中使用集成的XGBoost模型.
- 杆时间解析的Shapley值用于可解释性和特征识别.
主要成果:
- 对于6小时死亡率预测,XMI-ICU实现了92.0的AUROC和82.3的平衡精度.
- 在各种预测视野 (6-24小时) 中展示了可靠的预测性能,并在MIMIC-IV队列上成功进行了外部验证.
- 在临床风险分析中表现优于标准的APACHE IV系统.
结论:
- XMI-ICU框架有效地预测ICU中心脏病发作患者的死亡率,使用时间序列生理数据.
- 该框架的可解释性提供了宝贵的临床见解,增强了患者护理策略.
- 这种方法在利用EHR数据进行重症监护预测方面取得了重大进展.
