基于机器学习的方法，对肾功能增强（augmented renal clearance）的败血症患者进行28天死亡风险的预测

《Scientific Reports》：Machine learning-based risk prediction of 28-day mortality for sepsis patients with augmented renal clearance

　　

摘要

在重症脓毒症患者中，增强型肾清除率（Augmented Renal Clearance, ARC）较为常见，并且已知会影响患者的生存结局。为了解决这一问题，我们旨在利用MIMIC-IV数据库开发一个可解释的机器学习模型，用于预测这一高风险人群的早期死亡率。共有518名患有ARC的脓毒症患者被纳入研究，其中28天死亡率为17.2%。我们从患者入住重症监护病房（ICU）后的前24小时以及ARC发生时分别提取了162个和88个协变量。在数据填补后，我们采用了三阶段特征选择策略，包括EPV原则、选择频率大于88.5%的Bootstrap LASSO方法以及临床专家审核。这一过程从这两个时间点分别得到了9个和10个关键预测因子，用于后续的模型构建。在评估的九种机器学习算法中，XGBoost算法利用早期ICU数据取得了最高的区分性能（AUC为0.80）。SHAP可解释性分析显示，呼吸频率、体温和血清钠是最具影响力的预测因子。为了促进进一步的研究和外部验证，我们开发了一个免费可访问的在线计算工具（https://wuyunzhe.shinyapps.io/arc_prediction/），该工具能够进行探索性的床边风险评估并自动进行分层。总之，XGBoost模型利用常规收集的早期ICU数据，提供了一个可解释且具有临床应用价值的工具，用于预测患有ARC的脓毒症患者的28天死亡率，显示出在经过前瞻性验证后具有潜在的临床应用前景。