基于梯度提升机器学习模型的儿童住院患者关键事件全流程预警系统开发与验证

这篇研究开发了儿科关键事件风险评估工具（pCREST），采用梯度提升（XGB）机器学习模型，通过多中心电子健康记录（EHR）数据实现了对儿童住院期间机械通气、血管活性药物使用或死亡等关键事件的12小时预警。模型在13.5万例患者中验证显示，其判别能力（AUC 0.86）显著优于现行临床标准（如Bedside PEWS）和单元特异性模型，为儿童跨科室连续风险监测提供了统一框架。

　　

引言
儿童住院期间的生理失代偿事件（如机械通气或血管活性药物使用）与高死亡率及长期神经发育障碍密切相关。当前儿科风险分层存在单元割裂问题：急诊科（ED）侧重脓毒症预测，重症监护室（ICU）聚焦死亡率评估，而普通病房采用Bedside PEWS等工具。这种碎片化模式导致患者转科时风险评估断裂，可能延误干预时机。

方法
研究纳入3家三级医院（芝加哥大学、洛约拉大学、威斯康星大学）2006-2021年间135,621例<18岁住院患儿（平均年龄7岁，44.5%女性），排除新生儿数据。主要终点定义为12小时内发生的复合关键事件（机械通气、血管活性药物或死亡）。基于离散时间生存分析框架，开发了正则化逻辑回归（LR）、极端梯度提升（XGB）和两种循环神经网络（RNN）模型，以患儿年龄、科室位置、生命体征（如心率、Fi_O2）、实验室指标（血小板、血糖等）及既往合并症为特征。

结果
XGB模型（pCREST）表现最优：在外部验证集（威斯康星医院）中AUC达0.86，显著优于Bedside PEWS（0.70）和病房专用模型pCART（0.82）。特征重要性分析显示Fi_O2、科室位置和生命体征贡献度最高。值得注意的是：

1. 模型跨科室普适性：pCREST在ED和ICU的预测效能与单元专用模型相当，在病房更优；
2. 临床实用性：当灵敏度设为80%时，每检出1例真阳性仅需6次警报（pCART需9次）；
3. 深度学习的局限：RNN模型未提升预测性能，提示单次观测值比时序趋势更具预测价值。

讨论
pCREST的创新性在于打破传统单元壁垒，通过统一风险评分实现患儿从急诊到出院的全流程监测。其优势体现在：

• 动态预警：每次生命体征更新即重新计算风险，支持实时临床决策；
• 资源优化：医院可通过风险分层调整监护等级；
• 沟通桥梁：标准化评分促进跨科室交接时对病情的共识。

局限与展望
研究受限于回顾性设计，且未纳入呼吸支持方式等操作细节。未来需前瞻性验证模型公平性，并探索其对非机械通气类不良事件的预测效能。

结论
pCREST为首个经多中心验证的儿童住院全流程风险预测工具，其梯度提升算法架构与跨科室适用性，为改善儿科重症监护的连续性和时效性提供了新范式。