编辑推荐：
这篇综述聚焦 ICU 再入院预测模型，涵盖统计、机器学习（ML）和深度学习（DL）模型。分析了各类模型的特点、性能及应用挑战，探讨了数据处理、模型解释性等问题，并提出未来研究方向，为该领域发展提供了全面参考。
引言
重症监护病房（ICU）再入院是指患者出院后在短时间内非计划重返 ICU，发生率为 4%-14%，与较高的发病率、死亡率、更长住院时间和更高医疗成本相关。电子健康记录（EHR）数据为解决这一问题提供了资源，但数据复杂、缺失率高且结果类别不平衡。机器学习（ML）和深度学习（DL）算法在医疗领域有应用潜力，而此前的综述存在局限性，本文旨在全面回顾相关研究。
方法
遵循系统评价和荟萃分析的首选报告项目（PRISMA）框架，检索谷歌学术、PubMed、Compendex 和 Wiley Online Library 四个数据库中截至 2023 年 12 月的英文研究论文。依据人口、干预、比较和结果（PICO）框架筛选文献，最终纳入 66 篇论文，并使用预测建模研究的批判性评价和数据提取清单（CHARMS）进行定量描述分析。
结果
- 特征表示技术：多数统计和 ML 模型主要使用人口统计学和时间数据，在处理复杂时间趋势、医学代码和文本数据时存在不足。DL 模型可自动学习特征，但面临数据稀疏、模态多样等挑战。自然语言处理（NLP）技术及图嵌入等方法有助于提升信息提取和模型性能，但仍需改进。
- 模型类型
- 统计方法：包括逻辑回归（LR）、模糊聚类、动态线性模型（DLMs）和条件随机字段（CRF）等。LR 模型 AUC 为 62%-76%，模糊聚类模型 AUC 为 58%-81%，DLMs 模型 AUC 可达 93%，CRF 模型准确率最高达 90%，但这些模型受样本量小的限制。
- 机器学习方法：如神经网络（NN）、支持向量机（SVM）、决策树（DT）、随机森林（RF）和提升技术等。NN 模型 AUC 为 64%-87%，SVM 模型 AUC 为 71%-74%，DT 和 RF 模型 AUC 为 59%-92%，提升技术模型 AUC 为 60%-92%。ML 模型性能随样本量增大可能下降，复杂模型更可靠。
- 深度学习方法：如循环神经网络（RNN）、卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、Transformer、神经普通微分方程（ODEs）和图神经网络（GNNs）等。LSTM-CNN 模型 AUC 为 63%-82%，Transformer - 基于的模型 AUC 为 67%-84%，ODEs 模型 AUC 平均为 73%，图和知识 - 基于的模型 AUC 为 59%-85%。DL 模型虽有改进，但仍未达预期，NLP 和图方法可提升性能。
- 可解释性、模型校准和泛化：LR 模型可通过模型权重等方式解释，而模糊、ML、DL 和图模型解释性较差，常需借助后验解释方法，但这些方法存在局限性。模型校准可通过多种测试确保预测概率与实际相符。模型泛化需进行外部验证，部分模型在外部验证时性能下降，需重新训练。实际应用的模型需满足多项要求，但目前较少研究实现。
讨论
转移学习、集成学习、多任务学习等方法有潜力，但需进一步研究验证。预测 ICU 再入院面临诸多挑战，如公共数据库可用性和复杂性、数据质量差、患者群体异质性等。当前模型在性能、可扩展性、可解释性等方面存在不足，定义不一致、数据处理不当、评估指标不合理等问题影响模型效果和应用。
未来方向
需要跨学科合作，标准化 EHR 数据库设计和 ICU 再入院定义，改进数据提取和预处理。应关注时间序列数据增强技术，开发更先进的疾病网络模型，集成时间序列数据和医学笔记，开发实时应用模型并进行临床测试。
结论
预测 ICU 再入院面临数据和模型等多方面挑战，标准化数据库设计、统一再入院定义、使用先进模型及数据增强技术等可提高预测模型的准确性和可靠性。
