基于可解释机器学习的ICU心肌梗死患者死亡率预测：伪动态数据模型XMI-ICU的开发与验证

本研究针对心肌梗死(MI)患者ICU死亡率预测的临床挑战，开发了基于XGBoost的伪动态框架XMI-ICU。通过整合eICU和MIMIC-IV数据库的时序数据，采用滑动时间窗特征提取和Shapley值解释方法，实现了6-24小时预测窗口下92.0%的AUROC性能，显著优于APACHE IV等传统评分系统。该研究为ICU临床决策提供了动态、可解释的AI工具。

　　

心肌梗死(MI)作为全球心血管死亡的主要诱因，每40秒就有一名美国患者发病。ICU收治的MI患者面临更高死亡风险（达17.6%），但现有预测工具如APACHE IV和GRACE评分存在明显局限：静态线性模型无法捕捉生理参数动态变化，且缺乏针对MI人群的特异性。牛津大学工程科学系与临床神经科学系的研究团队在《Scientific Reports》发表的研究，开创性地将伪动态机器学习框架应用于这一临床痛点。

研究团队开发了XMI-ICU系统，通过滑动时间窗提取生理参数均值与标准差（如收缩压、乳酸等），将时序预测转化为串联的静态问题。该方法在eICU数据库26,218例患者中实现6小时预测AUROC 92.0（平衡准确率82.3），并在MIMIC-IV外部验证中保持80.0%的AUROC。关键技术包括：1）基于eICU和MIMIC-IV的多中心回顾性队列构建；2）MICE缺失值处理与贝叶斯优化；3）时间分辨Shapley值分析揭示乳酸、血糖等关键指标的动态重要性变化。

【结果】
• 模型比较：XMI-ICU显著优于随机森林（AUROC 90.6）和LSTM（88.6）等模型，24小时预测性能较APACHE IV提升18.3%

• 动态解释：Shapley分析显示预测前6小时乳酸重要性上升400%，而机械通气状态权重下降

• 临床效用：决策曲线分析证实XMI-ICU在75%风险阈值下净获益优于传统模型

研究证实，通过伪动态特征工程可使树模型超越深度学习时序分析方法。时间分辨解释机制揭示了ICU患者生理恶化的关键标志：进行性高乳酸血症（>2.5 mmol/L）与低白蛋白（<3.0 g/dL）的组合预测价值最高。该框架的毫秒级部署特性（训练仅需数秒）为ICU实时决策支持提供了可行方案，其仅需8个核心特征的设计更利于临床推广。未来可结合Transformer架构进一步捕捉复杂时序模式，但当前工作已确立树模型在医疗表格数据中的持续优势。