基于可解释机器学习技术的吞咽障碍风险识别可行性研究：动态风险评估新范式

这篇研究开创性地将可解释机器学习技术（SHAP值）应用于ICU患者拔管后吞咽障碍（PED）风险预测，通过分析59,811例机械通气患者的多中心数据，首次揭示机械通气时长、年龄、心脏/神经科入院等关键风险因素的动态权重，为临床提供个体化风险评估工具（FEES筛查指引），突破传统静态量表（如APACHE III评分）的局限性。

　　

Highlight

这项研究在59,811例ICU患者中验证了机器学习模型预测吞咽障碍风险的可行性，其创新性体现在：1）首次采用SHAP值量化风险因子动态权重；2）揭示机械通气时长与神经/心脏科入院的协同效应；3）构建可解释的临床决策辅助系统。

Study cohort

研究队列包含来自澳大利亚42家ICU的65,314例机械通气病例，经数据清洗后保留59,811例（链接成功率91.6%）。其中53,829例（90%）用于模型训练，5,982例（10%）用于前瞻性验证——这个"大数据+多中心"设计显著提升了结论的泛化能力。

Discussion

研究发现：1）传统静态量表（如APACHE III）会掩盖风险因素的动态交互作用；2）SHAP值可视化显示，60岁患者每增加1天机械通气，吞咽风险提升幅度是40岁患者的1.8倍；3）神经科与心脏科患者的风险因子权重存在显著差异（p<0.01）。这些发现颠覆了"一刀切"的传统筛查模式。

Conclusion

机器学习模型成功解码了吞咽障碍风险的"动态密码本"：机械通气时长（权重37%）、年龄（28%）、心脏/神经科入院（19%）构成风险预测"黄金三角"。该研究为ICU吞咽管理提供了智能决策新范式。