在ICU中实现透明的临床决策支持:使用eICU协作研究数据库进行72小时死亡率预测的多窗口,模型不可知解释性方法
Daniel Gallardo Gómez1, Sara Díaz2, Javier Quintero Sosa1
1Health Technology Assessment Area (AETSA), Progress and Health Public Foundation (FPS), Seville, Spain; Data Science Lab, Progress and Health Public Foundation (FPS), Seville, Spain.
Medicina intensiva
|November 3, 2025
概括
这项研究开发了一种机器学习框架,用于预测72小时重症监护室 (ICU) 死亡率,提高预测准确度. 还引入了一种新的可解释性方法,以更好地支持临床决策.
科学领域:
- 临界护理医学 临界护理医学
- 医疗保健中的机器学习
- 预测分析是一种预测分析.
背景情况:
- 准确预测重症监护室 (ICU) 死亡率对于患者管理至关重要.
- 现有的模型可能缺乏及时临床决策所需的精度或解释性.
研究的目的:
- 开发一个多模型机器学习框架,用于预测72小时ICU死亡率.
- 引入一种新的模型不可知的方法来解释在变量级的预测概率.
主要方法:
- 从eICU数据库 (2014-2015) 中对106,449名患者进行了回顾性分析.
- 利用了多模型机器学习方法,在多个时间窗口中结合了人口,临床和生化变量.
- 采用随机森林模型,因为它们的优异预测性能.
主要成果:
- 随机森林模型表现出高的预测性能,F1得分在不同的时间数据窗口中从0.83到0.93不等.
- 该研究包括106,449名患者,总体72小时死亡率为4.8%.
结论:
- 开发的多模型框架显著提高了72小时ICU死亡率的预测.
- 拟议的可解释性战略提高了模型的透明度,可能有助于临床决策支持系统.


