编辑推荐：
免疫低下患者入住 ICU 后死亡率预测困难，为解决此问题，研究人员基于 MIMIC-IV 数据库开展回顾性队列研究，构建 10 种机器学习（ML）模型。结果显示 SVM 模型表现优异，且发现多个关键预测因素，有助于临床决策与资源分配。
在医学领域，随着癌症、器官移植等治疗手段的进步，免疫低下患者数量不断增加，其中不少人需要入住重症监护病房（ICU）。然而，这类患者面临着诸多挑战，比如更高的死亡率和并发症发生率。传统的死亡率预测模型难以准确评估他们的死亡风险，因为其无法充分考虑影响免疫低下患者预后的复杂因素。因此，开发一种能够精准预测免疫低下 ICU 患者死亡率的模型，对于优化临床决策、合理分配医疗资源至关重要。
为了解决这一难题，来自厦门大学医学院、厦门大学国家健康医疗大数据研究院以及浙江中医药大学第二附属医院重症医学科的研究人员展开了深入研究。他们的研究成果发表在《European Journal of Medical Research》上，为该领域带来了新的突破。
研究人员利用了 MIMIC-IV（version 2.2）数据库中的回顾性临床数据，这些数据涵盖了 2008 年至 2019 年美国贝斯以色列女执事医疗中心 ICU 收治患者的丰富信息。研究对象为免疫低下患者，包括原发性免疫缺陷和慢性获得性免疫缺陷患者，如血液系统恶性肿瘤、实体肿瘤、器官移植患者等。排除了年龄小于 18 岁、ICU 住院时间短于 6 小时以及非首次入住 ICU 的患者。
在研究过程中，研究人员运用了多种关键技术方法。首先，他们使用结构化查询语言提取数据，收集了人口统计学、生命体征、实验室检查、合并症等多种变量，并进行了数据预处理，包括处理缺失值、消除相关性过高的变量等。接着，他们构建了 10 种机器学习模型，如逻辑回归（logistic regression）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）等，并通过五折交叉验证和网格搜索进行模型优化。同时，利用 SHapley Additive exPlanations（SHAP）分析增强模型的可解释性，运用决策曲线分析（DCA）评估模型的临床实用性，还进行了 Cox 比例风险回归分析以探究预测因素对生存时间的影响。
研究结果如下：
- 基线特征：研究共纳入 8782 例符合条件的患者，分为生存组（6805 例）和死亡组（1977 例）。死亡组患者年龄更大，心率（HR）更高、呼吸频率（RR）更快、收缩压（SBP）更低，白细胞（WBC）计数、血尿素氮（BUN）、肌酐、国际标准化比值（INR）更高，血红蛋白更低，24 小时尿量更少，合并症如心肌梗死、转移性实体瘤等更为常见，机械通气的比例也更高。
- 选定的预测特征：经过系统的特征选择过程，最终确定了 44 个与 28 天死亡率显著相关的特征，包括年龄、体重、种族等人口统计学特征，Charlson 合并症指数（CCI）、格拉斯哥昏迷评分（GCS）等临床严重程度和合并症指标，HR 均值、RR 最小值和均值等生命体征测量值，BUN 最小值、氯化物最小值等实验室值，以及尿量、合并症和机械通气状态等。
- 模型性能：不同模型在不同指标上各有优劣。支持向量机（SVM）模型的受试者工作特征曲线下面积（AUROC）最高，为 0.863（95% CI 0.834 - 0.890），精确召回曲线下面积（AUPRC）为 0.678（95% CI 0.624 - 0.736），且敏感性较高。通过 SHAP 分析发现，24 小时尿量、BUN 最小值、转移性实体瘤的存在、CCI、INR 均值等是重要的预测因素。Cox 回归分析也证实了转移性实体瘤、严重肝病等与死亡率增加相关。
- 决策曲线分析：所有模型在广泛的阈值概率（10 - 90%）范围内均显示出比默认治疗策略（治疗所有患者或不治疗任何患者）更高的净收益，表明这些模型在识别可能从强化监测或干预中获益的高风险患者方面具有临床实用性。
研究结论和讨论部分指出，该研究基于大量数据和多种机器学习算法，发现多个因素与免疫低下 ICU 患者的死亡率密切相关，且多种机器学习模型在预测死亡率方面表现良好。这些发现与现有研究中关于合并症和实验室值对危重症患者预后影响的结论一致。同时，研究也存在一些局限性，如研究的回顾性、依赖单一数据库可能影响结果的普遍性，SHAP 值的解释受模型假设和数据质量限制，存在选择偏倚，部分重要变量缺失等。尽管如此，该研究开发的可解释机器学习模型仍是危重症医学领域的重要进展，其通过 SHAP 值确定的关键预测因素，如 24 小时尿量、BUN 水平和转移性实体瘤等，能够为临床医生在管理免疫低下 ICU 患者时提供有价值的参考，有助于优先对高风险患者进行强化监测和早期干预，从而优化临床决策和资源分配。未来研究需要纳入外部验证队列，以进一步完善模型，充分发挥其改善患者预后的潜力。
