《BMC Medical Informatics and Decision Making》：CRISP: A causal relationships-guided deep learning framework for advanced ICU mortality prediction
编辑推荐：
在临床护理中，ICU 患者死亡率预测至关重要。研究人员开展 “CRISP：一种因果关系引导的深度学习框架用于高级 ICU 死亡率预测” 的研究。结果显示 CRISP 模型在不同数据集上表现稳定，可提升 DL 在临床决策支持中的应用。
在医院的重症监护病房（ICU）里，住着许多病情危重的患者，对他们死亡率的精准预测就像一场与死神的赛跑，直接关乎治疗决策的制定和患者的生死。传统的评分系统，如急性生理学与慢性健康评估（APACHE）II 和 III、简化急性生理学评分（SAPS）II 和 III 、序贯器官衰竭评估（SOFA）等，虽然在一定程度上能预测死亡率，但存在不少问题。随着时间推移，这些工具的预测准确性会下降，因为人们的预期寿命增加、公共卫生状况改变以及新疾病不断出现。而且，部分现有评分系统比较静态，大多依赖 ICU 入院第一天收集的数据，这就迫使临床医生不得不依靠主观判断，容易产生偏差。另外，在不同国家进行验证时，这些评分系统的表现也不一致，说明对不同患者群体的考虑不够充分。
为了解决这些难题，四川大学的研究人员开展了一项关于 “CRISP：一种因果关系引导的深度学习框架用于高级 ICU 死亡率预测” 的研究 。他们提出了 CRISP（Causal Relationship Informed Superior Prediction）模型，将因果关系融入到数据增强和预测模型中。该研究成果发表在《BMC Medical Informatics and Decision Making》上。
研究人员主要采用了以下关键技术方法：首先，利用因果发现算法中的图形自动编码器（GAE）识别一般因果结构，构建因果有向无环图（DAG）来表示变量间的因果关系。其次，设计了反事实少数生成模块（CMG），通过基于因果图和倾向得分匹配的方法来生成少数类样本，解决数据不平衡问题。最后，CRISP 模型采用基于 Transformer 的架构，结合因果结构处理特征组和基本患者信息进行死亡率预测，并将平均治疗效果（ATE）融入损失函数优化模型。研究使用了来自麻省理工学院实验室维护的 MIMIC-III、MIMIC-IV 公开数据库，以及四川大学华西医院（WCHSU）的数据集。
下面来看具体的研究结果：
- 数据采样性能：研究对比了多种数据采样方法，使用 AUPRC（精度召回曲线下面积）和 MCC（马修斯相关系数）评估模型在类平衡方面的表现。在 MIMIC-III 数据集上，所有基于 CMG 处理数据训练的模型都优于基线模型，其中 CRISP 结合 CMG 的模型表现最佳。在 MIMIC-IV 数据集上，CMG 的得分超过基线，CRISP 和 CMG 的结果更稳定。在 WCHSU 数据集上，由于数据不平衡严重，多数模型表现不佳，但 CMG 在 MCC 指标上优于其他方法。
- 优于传统模型：将 CRISP 模型与传统机器学习算法对比，在三个数据集上，CRISP 模型都取得了有竞争力的结果。例如在 MIMIC-IIItest评估集中，CRISP 模型的 AUROC（受试者工作特征曲线下面积）达到 0.9480，AUPRC 为 0.7611，MCC 为 0.6678 ，超过了 XGBoost 等传统模型。
- 优于深度学习模型：与近期使用 MIMIC-III 数据集的深度学习模型相比，CRISP 和 MMDL 在各项指标上表现突出，CRISP 的 AUROC 略高于其他模型。消融研究表明，结合因果推断的模型性能更好，虽然提升幅度较小，但证明了整合因果关系和多种数据类型的优势。
- 在其他临床结局场景的表现：研究人员以急性肾损伤（AKI）为例，在 MIMIC III 数据集上验证 CRISP 模型预测 AKI 的能力。结果显示，CRISP 模型在预测 AKI 时，AUROC 在 0.7557 - 0.7899 之间，AUPRC 在 0.4061 - 0.7877 之间，且在处理类不平衡问题时表现更稳定。
在结论和讨论部分，研究表明 CRISP 模型将因果关系集成到数据增强和预测模型中，展现出良好的性能。CMG 模块利用因果图生成新的少数类实例，其预测性能与传统过采样技术相当。CRISP 模型结合因果图处理特征组和患者基本信息，在死亡率预测方面表现出色，在不同数据分布下都具有较好的泛化能力。这一研究成果凸显了基于因果关系的方法在实际临床应用中的潜力，为临床决策支持提供了更可靠的工具，有助于提高医疗质量，改善患者的治疗效果。不过，该研究也存在一些局限性，如深度学习方法在标准化临床预测指标方面存在挑战，未来还需进一步探索 ICU 住院期间时间数据之间的因果关系，结合临床医生反馈优化模型等。但总体而言，这项研究为 ICU 患者死亡率预测开辟了新的道路，具有重要的临床意义和研究价值。
