一个可解释的机器学习模型,用于在ICU患者中早期预测大肠杆菌感染
Shu Yang1, Laiyu Zou2, Huixin Liang2
1Institute of Hematology, Fujian Medical University Union Hospital, Fuzhou, China.
Frontiers in cellular and infection microbiology
|December 10, 2025
概括
这项研究开发了一种可解释的机器学习模型,用于在重症监护室 (ICU) 患者中早期预测大肠杆菌 (E. coli) 感染. 该模型表现良好,并提供个性化的风险预测,以帮助临床决策.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 传染病预测传染病的预测
背景情况:
- 在重症监护室 (ICU) 患者中早期发现大肠杆菌 (E. coli) 感染对于改善结果至关重要.
- 在ICU入院时准确预测大肠杆菌感染仍然是一个重大的临床挑战.
研究的目的:
- 开发和验证可解释的机器学习模型,用于在ICU患者中早期预测大肠杆菌感染.
- 通过准确和及时的风险评估,加强临床决策.
主要方法:
- 对MIMIC-IV数据库的回顾性分析,包括52,554名ICU患者.
- 开发和比较八种机器学习模型,包括支持矢量机 (SVM),随机森林和极端梯度提升.
- 使用Boruta和LASSO进行特征选择,并使用Shapley添加式解释 (SHAP) 进行模型解释.
主要成果:
- SVM模型实现了最高的歧视,AUC为0.745 (95%CI:0.726-0.764).
- 确定的主要预测因素包括性别,年龄,败血症,镇静剂使用和水平.
- 创建了一个基于网络的工具,用于实时风险估计和个性化解释性.
结论:
- 一个可解释的基于SVM的模型证明了在ICU环境中早期预测大肠杆菌感染的强大性能.
- 开发的在线工具提供了透明的,个性化的风险预测,有可能改善临床决策和患者的结果.
