开发一个可解释的机器学习模型来预测毒症患者的死亡风险:从现实世界的临床数据中获得的见解

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 临床决策支持系统 临床决策支持系统

背景情况:

• 败血症是一种危及生命的疾病,其特点是受炎症反应失调.
• 早期诊断和干预对于改善败血症患者的生存率至关重要.
• 识别高风险败血症患者对于资源配置和治疗策略至关重要.

研究的目的:

• 开发和验证使用基于树的集合分类器对败血症患者的死亡风险预测模型.
• 通过解释模型预测与Shapley添加式解释 (SHAP) 来增强临床决策.
• 确定影响败血症患者结果的关键预后风险因素.

主要方法:

• 从重症监护室 (ICU) 的败血症患者收集的临床数据.
• 利用数据预处理技术,包括处理缺失数据和合成少数群体过量采样技术 (SMOTE) 来解决类不平衡.
• 训练并比较了七种机器学习模型:随机森林 (RF),k-最近邻居 (KNN),支持向量机器 (SVM),后勤回归,极端梯度增强 (XGBoost),后勤_拉索回归 (Logistic_Lasso) 和轻梯度增强机器 (LightGBM).
• 通过使用接收器运行特征曲线 (AUC) 下的面积,精度回忆曲线 (PR) 和决策曲线分析 (DCA) 评估模型性能.
• 应用全球和本地解释方法 (SHAP) 来理解模型预测和识别风险因素.

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,ROC曲线下的面积 (AUC) 为0.9816.
• 全球和本地可解释性技术都成功地应用于解释机器学习模型的决策过程.
• 通过模型解释确定了影响败血症死亡率的关键预后因素.

结论:

• 机器学习模型,特别是随机森林,在预测败血症死亡风险方面显示出显著的潜力.
• 局部解释方法提供了对个体患者预测的洞察力,有助于个性化护理.
• 全球解读技术增强对影响败血症结果的整体特征景观的理解,支持临床决策.