在三级护理医院环境中，利用机器学习对接受机械通气治疗的患者进行早期预后预测

《Journal of Clinical Monitoring and Computing》：Early prognosis prediction in mechanically ventilated patients using machine learning for tertiary care hospital settings

本研究基于660例ICU机械通气患者数据，构建机器学习生存预测模型，并与SOFA评分对比。通过SHAP和随机森林特征选择，确定SOFA评分、INR及呼吸率为前三位特征，KNN模型在准确率（80%）和AUROC（84%）上显著优于SOFA单独模型（73%和73%），证实机器学习可辅助临床早期分诊和资源调配，同时肯定SOFA作为基础评估工具的必要性。

　　

摘要

目的

重症监护病房（ICU）负责照料需要机械通气治疗的生命垂危患者，这些患者需要密切监测和精心治疗。在医生与患者比例较低的情况下，为所有患者提供持续的护理是一项挑战。利用机器学习技术开发的生存预测模型有可能改善预后评估和资源分配。本研究旨在利用患者入住ICU时记录的临床特征，开发一种机器学习模型来预测机械通气患者的生存/死亡情况，并将其性能与单独使用的序贯器官功能衰竭评估（SOFA）评分进行比较。

方法

本研究回顾性分析了来自德里AIIMS三家ICU的660名机械通气患者的数据集，其中包括98个临床参数（n = 660，男性：女性 = 365:295，年龄 = 44.45 ± 19.36岁）。在获得机构伦理批准后，使用70%的数据进行10折交叉验证来训练二元分类模型，剩余30%的数据用于测试。评估结果基于患者在ICU期间的生存或死亡情况。

结果

通过Shapley-Additive-Explanations（SHAP）方法和随机森林模型共筛选出39个特征。排名前三的特征分别是SOFA评分、国际标准化比率（INR）和呼吸频率，其特征重要性值分别为7.3%、4.5%和3.4%。使用SHAP筛选出的特征的K近邻（KNN）模型在测试中表现最佳，准确率为0.80，接收者操作特征曲线下面积（AUROC）为0.84，敏感性为0.82，特异性为0.77，阳性预测值（PPV）为0.78，阴性预测值（NPV）为0.82；而仅使用SOFA评分的模型准确率为0.73，AUROC为0.73，敏感性为0.82，特异性为0.63，PPV为0.69，NPV为0.78。

结论

这种自动化的机器学习预后预测方法可以帮助临床医生对患者进行早期分类。这些模型可以为ICU医生提供有价值的支持，帮助他们及时发出警报并做出明智的临床判断。研究还强调了SOFA评分作为ICU首选评估工具的持续有效性，同时表明精心开发的机器学习模型可以在高风险ICU环境中提供补充支持。