一种可解释的机器学习模型用于预测ICU患者的败血症诱导心肌病:使用MIMIC-IV数据库的开发和验证
Tao Sha1, Hao Jiang1, Lin Bai1
1Department of Emergency, Huadong Hospital, Fudan University, Shanghai, 200040 People's Republic of China.
Health information science and systems
|August 15, 2025
概括
这项研究开发了一种机器学习模型,用于预测ICU患者的败血症诱导心肌病 (SICM) 风险. 该模型具有很高的准确性,并为早期风险评估和干预提供了一个用户友好的工具.
科学领域:
- 关键护理医学 关键护理医学
- 心脏病学 心脏病学
- 人工智能在医学中的应用
背景情况:
- 败血症导致致命的器官功能障碍,败血症诱导的心肌病 (SICM) 是重症监护室 (ICU) 中复杂且常见的损伤.
- 机器学习 (ML) 模型显示出预测败血症结果的潜力,但它们对SICM预测的应用有限.
- 为SICM开发准确的预测工具对于及时的临床干预和改善患者结果至关重要.
研究的目的:
- 构建和验证可解释的人工智能算法,用于预测ICU患者的SICM.
- 提供一种临床可翻译的预测工具,以促进SICM的早期检测和干预.
- 利用MIMIC-IV数据库进行可靠的模型开发和验证.
主要方法:
- 使用密集护理-IV (MIMIC-IV) 数据库的医疗信息中心进行模型培训和测试.
- 采用LASSO回归和Boruta算法来改进预测变量.
- 使用五倍交叉验证训练和评估十个ML算法,使用SHAP (Shapley添加解释) 解释最佳模型并将其部署为Web应用程序.
主要成果:
- 在609名 (43.2%) 患者中,确定了263名患者在ICU后接受SICM入院.
- 使用6个变量,LightGBM模型在开发集中实现了0.890的ROC AUC,在验证集中达到0.857.
- 关键预测因素包括NTproBNP,离子间隙,酸盐,SBP,Hb和RBC;创建了一个交互式网络工具.
结论:
- 开发了一种高性能ML模型,用于SICM早期风险检测.
- 该模型表现出优异的区分能力,校准,临床实用性和稳定性.
- 通过SHAP分析和Web界面为临床医生提供了一个可解释,易于使用的工具,用于通过SHAP分析和Web界面进行早期SIC风险评估.
