基于可解释机器学习的癌症谵妄患者死亡率预测模型构建与验证研究

本研究针对癌症合并谵妄患者死亡率预测的临床难题，通过MIMIC-IV数据库构建了CatBoost机器学习模型，AUC达0.834，识别出GCS评分、抗生素使用等五大关键预测因子，为ICU高危患者早期干预提供量化决策工具。

　　

在重症监护领域，癌症患者合并谵妄犹如一场"大脑风暴"，其发生率高达10.3%-34.3%，却常被临床忽视。这种急性神经认知障碍不仅导致住院时间延长、医疗费用激增，更使患者28天死亡率飙升80%。尤其令人担忧的是，传统评分系统如APACHE II（急性生理与慢性健康评分）难以精准捕捉谵妄特有的死亡风险特征，而现有机器学习研究多聚焦脓毒症等疾病，对谵妄这一"沉默杀手"的关注严重不足。

浙江大学医学院附属邵逸夫医院的研究团队通过挖掘MIMIC-IV数据库中2008-2022年间1893例ICU癌症谵妄患者数据，首次构建了可解释的死亡率预测模型。研究发现，谵妄患者28天死亡率达36.2%，是普通癌症患者的1.69倍。令人意外的是，格拉斯哥昏迷评分（GCS）越高反而预示更差预后，这颠覆了传统认知，提示谵妄患者的神经功能变化可能存在独特模式。该成果发表于《Asia-Pacific Journal of Oncology Nursing》，为临床早期识别高危患者提供了智能决策支持。

研究采用多阶段技术路线：首先通过SQL从MIMIC-IV提取患者多维数据，采用SMOTE算法解决类别不平衡问题；继而比较CatBoost等5种机器学习算法性能；最终通过SHAP（沙普利加和解释）方法解析模型决策逻辑。关键创新在于将MICE（多重插补）与KNN（K近邻）相结合处理缺失值，使模型更贴近临床实际场景。

研究结果呈现四大发现：

1. 生存分析显示谵妄组28天死亡率显著增高（HR=1.69，95%CI 1.46-1.96），且风险梯度随调整变量增加保持稳定。
2. 模型比较中CatBoost表现最优，验证集AUC 0.834，校准曲线紧贴理想线，DCA（决策曲线分析）显示全阈值概率区间净收益最大。
3. SHAP分析揭示GCS评分（SHAP值>0.75）是首要预测因子，其次为抗生素、丙泊酚、血管加压药使用及APACHE II评分。
4. 血液指标如SpO₂（外周血氧饱和度）和乳酸（LAC）虽入选前15位特征，但贡献度显著低于神经系统相关变量。

讨论部分指出，该研究首次证实GCS评分与谵妄预后的非线性关系——高分患者可能因更剧烈的神经功能恶化而预后不良。丙泊酚等镇静剂的双刃剑效应（既治疗躁动又加重谵妄）通过SHAP蜂群图获得量化呈现，为"精准镇静"提供依据。尽管存在未纳入功能状态等局限性，但模型通过五折交叉验证保持0.822-0.850的稳定AUC，较传统逻辑回归（AUC 0.818）显著提升。

这项研究开创性地将可解释AI引入癌症谵妄领域，其临床价值体现在三方面：实时预警系统可提前识别80%以上死亡病例；SHAP力导向图使"黑箱"决策透明化；动态预测功能支持治疗策略调整。未来嵌入电子病历系统后，有望将谵妄相关死亡率降低15%-20%，为肿瘤重症医学提供新的智能诊疗范式。