在ICU患者中使用机器学习预测感染性休克的早期预测:开发,外部验证和SHAP的解释性

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的人工智能
• 预测分析是一种预测分析.

背景情况:

• 败血性休克是一种危及生命的败血症并发症,死亡率高.
• 由于复杂的临床表现和动态的疾病进展,早期识别是困难的.
• 机器学习 (ML) 提供了在重症监护病房 (ICU) 中更好地预测感染性休克的潜力.

研究的目的:

• 开发和外部验证ML模型,用于预测ICU患者的败血性休克进展.
• 为了确定早期检测败血症休克的关键临床变量.
• 通过可解释的预测模型来增强临床决策.

主要方法:

• 使用了来自MIMIC-IV (培训) 和eICU-CRD (验证) 重症监护数据库的数据.
• 采用LASSO回归来进行变量选择,并训练了六个ML算法,包括随机森林 (RF).
• 使用AUC,F1得分和平衡精度评估模型性能;使用SHAP值评估可解释性.

主要成果:

• 包括11,383名败血症患者;2,259名 (培训) 和1,212名 (验证) 患有败血症.
• 射频模型实现了最高的性能 (AUC:0.785,平衡精度:0.717,F1得分:0.511).
• SHAP分析强调SOFA得分,心率,肌素,SAPS II和OASIS作为关键预测因素.

结论:

• 开发的ML模型可以使用标准ICU数据预测败血症休克.
• SHAP解释提高了模型的透明度和临床实用性.
• 这种方法支持及时的风险分层和数据驱动的决策,以改善患者的治疗结果.