基于可解释性机器学习模型的脓毒症相关肝损伤患者预后预测

目的探讨可解释性机器学习模型预测脓毒症相关肝损伤(SALI)患者预后的应用价值。方法回顾性分析2008年1月至2022年12月MIMIC-Ⅳ(3.1版)数据库中2414例SALI患者,按照8∶2比例将其分为训练集(1931例)和验证集(483例)。根据患者进入ICU后28 d是否死亡将其分为死亡组和存活组。使用Boruta算法确定特征变量,构建分类提升树、极端梯度提升树、轻量梯度提升树、逻辑回归、朴素贝叶斯和支持向量机6种预后预测模型,并比较模型的预测效能。采用SHAP解释模型进行特征解释。结果训练集中670例SALI患者死亡,死亡率为34.70%。两组年龄、呼吸频率、体温、收缩压、舒张压、氧饱和度、氧合指数、白细胞计数、血红蛋白、红细胞计数、葡萄糖、红细胞体积分布宽度、平均红细胞体积、平均红细胞血红蛋白浓度、天冬氨酸转氨酶、丙氨酸转氨酶、总胆红素、尿素氮、肌酐、钠、钾、钙、镁、无机磷酸盐、碳酸氢根、阴离子间隙、乳酸、氧分压、二氧化碳分压、国际标准化比值、凝血酶原时间、活化部分凝血活酶时间(APTT)、简化急性生理学评分Ⅱ(SAPSⅡ)评分、序贯性器官功能衰竭评分、全身炎症反应综合征评分、查尔森合并症指数评分、慢性肾脏病、心力衰竭、冠心病、慢性阻塞性肺疾病、恶性肿瘤、肾脏替代治疗、有创机械通气和液体输出量比较,差异有统计学意义(P<0.05)。Boruta算法筛选出29个特征变量用于构建预后模型。分类提升树模型表现出较理想的性能,F1评分为0.638,曲线下面积为0.814。SHAP解释模型显示SAPSⅡ评分、乳酸、液体输出量等为影响SALI患者预后的关键预测因子。结论基于机器学习的预后预测模型是预测SALI患者预后的可靠工具。SHAP模型能有效解释其决策机制,可用于临床决策,帮助临床医师优化资源分配和患者管理。

资料为PDF文档格式.

本文档关键词:预后,损伤,模型,机器,预测