基于机器学习的创伤性脊髓损伤危重患者7天死亡率预测模型：一项多中心回顾性研究

来自多中心的研究团队针对创伤性脊髓损伤(TSCI)危重患者高短期死亡率问题，利用MIMIC-2.2数据库和新疆医科大学附属医院ICU数据，通过Boruta和LASSO算法筛选特征，开发了包含RF等10种机器学习算法的7天死亡率预测模型。RF模型在ROC曲线、校准曲线等评估中表现最优，关键预测因子包括最低体温、最低收缩压和Charlson合并症指数，并开发了临床适用的在线计算工具。

　　

这项多中心回顾性研究瞄准创伤性脊髓损伤(TSCI)危重患者的临床困境——尽管治疗手段进步，这类中枢神经系统严重损伤仍伴随高短期死亡率。科研团队巧妙运用机器学习技术，整合重症监护室(ICU)常规指标，构建了7天死亡风险预测体系。

研究团队从MIMIC-2.2数据库和新疆医科大学附属医院ICU分别获取261例和45例TSCI危重患者数据。采用Boruta特征选择法和LASSO回归筛选出10个关键指标，随后运用包括自适应增强(AdaBoost)、分类提升(CatBoost)、梯度提升机(GBM)、k最近邻(kNN)、轻量梯度提升机(LightGBM)、逻辑回归、神经网络、随机森林(RF)、支持向量机(SVM)和极限梯度提升(XGBoost)在内的10种算法建模。

评估环节颇具匠心：通过受试者工作特征(ROC)曲线、校准曲线、决策曲线分析(DCA)等多维度验证，结合准确率、灵敏度、特异度等指标。更引入沙普利加和解释(SHAP)方法增强模型可解释性。有趣的是，无论原始数据集还是经过SMOTE平衡处理的数据，随机森林(RF)模型均展现出卓越性能。SHAP分析揭示三个"死亡预警信号"——最低体温、最低收缩压和Charlson合并症指数(CCI)最具预测价值。

研究成果已转化为临床实用工具——在线计算器，帮助医生实时评估TSCI危重患者的7天生存概率。这项研究不仅为临床决策提供了智能化支持，更开创了机器学习在神经危重症领域应用的新范式。