在ICU中以人工智能驱动的预测和解释中枢线相关的血液感染:来自MIMIC-IV数据库的见解

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 传染病流行病学 传染病流行病学

背景情况:

• 中枢线相关的血流感染 (CLABSI) 是重症监护室 (ICU) 的重要并发症.
• 预测个体患者的CLABSI风险对于及时干预和预防策略至关重要.
• 现有的风险预测模型可能缺乏临床应用的准确性或解释性.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于预测成人ICU患者的CLABSI风险.
• 使用先进的特征选择和解释技术,识别CLABSI的关键预测因素.
• 在CLABSI风险预测中比较各种ML模型的性能.

主要方法:

• 一项使用MIMIC-IV数据库的回顾性观察队列研究.
• 包括有中央静脉导管的成年ICU患者和血液培养评估.
• 使用LASSO进行特征选择,开发和比较7个ML模型 (逻辑回归,决策树,随机森林,XGBoost,SVM,神经网络,梯度增强).
• 模型性能通过AUC,精度,灵敏度,特异性,F1得分和Brier得分进行评估;通过SHAP值进行解释.

主要成果:

• 在11999名ICU患者中,519名 (4.3%) 患有CLABSI.
• 随机森林模型实现了最佳性能,AUC为0.950.
• 通过SHAP分析确定的关键预测因素包括ICU停留时间,独特的护理人员和动脉导管.

结论:

• 机器学习模型,特别是随机森林,在预测CLABSI风险方面表现出很高的准确性.
• 可解释AI (SHAP) 为临床实践提供透明度和可操作的见解.
• 这些发现支持开发早期预警系统,以减少CLABSI发病率并改善患者的治疗结果.