为患有败血症相关脑病变的患者构建和验证死亡预测模型:可解释的机器学习方法
Ziyi Wang1, Lingling Ge1, Yongkui Zhu1
1Zhangjiagang Hospital Affiliated to Soochow University, Suzhou, Jiangsu, China.
Digital health
|November 3, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于预测败血症相关脑病变 (SAE) 患者的死亡率. 经过验证的XGBoost模型可以帮助临床医生识别高风险患者以改善结果.
科学领域:
- 关键护理医学 关键护理医学
- 医疗保健中的机器学习
- 神经学 神经学
背景情况:
- 败血症相关脑病变 (SAE) 是重症败血症患者的常见并发症,通常导致预后不佳.
- 准确的死亡率预测对于有效的临床决策和SAE患者管理至关重要.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测败血症相关脑病变 (SAE) 患者的死亡率.
- 通过确定SAE的关键预后因素来支持临床决策.
主要方法:
- 利用两个大型重症监护数据库 (MIMIC-IV和eICU-CRD) 进行模型构建和外部验证.
- 开发了一个XGBoost模型来预测SAE患者的28天和90天死亡率.
- 在模型解释性和特征重要性分析中使用了SHapley添加式解释 (SHAP).
主要成果:
- XGBoost模型表现出高性能,内部验证AUC为0.930 (28天) 和0.906 (90天).
- 外部验证的AUC值为0.771 (28天) 和0.759 (90天),证实了模型的概括性.
- SHAP分析确定了影响人口和个人水平预后的关键特征.
结论:
- 一个可解释的XGBoost模型可靠地预测多个重症监护数据库中的SAE患者的死亡率.
- 这种工具可以帮助临床医生早期识别高风险的SAE患者.
- 基于早期风险分层的优化管理策略可能会改善SAE患者的治疗结果.
