使用机器学习方法预测与败血症相关的急性损伤的医院死亡率:使用SHAP解释性分析的多中心研究
Songsong Luo1, Jiawei Lai1, Lujiao Mo1
1Department of Critical Care Medicine, The First People's Hospital of Xiaoshan District, Xiaoshan Affiliated Hospital of Wenzhou Medical University, Hangzhou, Zhejiang, China.
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急性损伤 (S-AKI) 患者的医院死亡率. 该模型显示出强大的性能和通用性,有助于对S-AKI死亡风险的临床决策.
科学领域:
- 关键护理医学 关键护理医学
- 腎臟病學 (nephrology) 是一種醫學專業.
- 机器学习在医疗保健中的应用
背景情况:
- 败血症相关的急性损伤 (S-AKI) 是重症监护病房中死亡的主要原因.
- 现有的S-AKI风险分层工具缺乏准确性和可解释性.
- 需要改善S-AKI结果的预测模型.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测S-AKI患者的医院死亡率.
- 通过精确和可理解的风险分层来加强临床决策.
主要方法:
- 使用五个国际重症监护数据库 (MIMIC-IV,MIMIC-III-CareVue,eICU,NWICU,SICdb) 的回顾性队列研究.
- 使用Boruta算法进行特征选择;训练并验证了11个机器学习算法.
- 模型性能使用ROC分析,校准图,决策曲线分析和SHAP进行解释性评估.
主要成果:
- 该研究包括27,485名S-AKI患者,医院死亡率为27.5%.
- 一种渐变增强机模型实现了0.770 (训练) 和0.731-0.778 (外部验证) 的AUC.
- 在SHAP分析中,简化急性生理学评分II (SAPS II) 是最关键的预测因素.
结论:
- 一个可解释的机器学习模型在各种国际数据集中展示了S-AKI死亡率预测的强大性能和通用性.
- 该模型的可解释性,特别是通过SHAP分析,为个性化风险分层和基于证据的护理提供了临床上有意义的见解.
相关概念视频
09:53Precise Cellular Ablation Approach for Modeling Acute Kidney Injury in Developing Zebrafish
09:09Ischemia-reperfusion Model of Acute Kidney Injury and Post Injury Fibrosis in Mice
15:55Intravenous Microinjections of Zebrafish Larvae to Study Acute Kidney Injury
03:13Technical Refinement of a Bilateral Renal Ischemia-Reperfusion Mouse Model for Acute Kidney Injury Research
07:42A Data-Driven Approach to Quantifying Immune States in Sepsis
13:25Acute Kidney Injury Model Induced by Cisplatin in Adult Zebrafish


