利用血浆微生物游离DNA和可解释的机器学习方法对ICU中肺炎相关性败血症患者的28天死亡率进行早期预测：一项回顾性队列研究

《European Journal of Medical Research》：Early prediction of 28-day mortality in ICU patients with pneumonia-induced sepsis using plasma microbial cell-free DNA and interpretable machine learning: a retrospective cohort study

　　

摘要

背景

肺炎引起的败血症是重症监护病房（ICU）死亡的主要原因之一，然而在患者入住ICU时进行早期风险分层仍然具有挑战性。血浆中的微生物游离DNA（mcfDNA）是一种与感染相关的循环生物标志物，可能提供超出常规参数的预后信息。我们开发并内部验证了一个可解释的机器学习模型，该模型结合了血浆mcfDNA来预测患有肺炎引起的败血症的ICU患者的28天死亡率。

方法

我们进行了一项回顾性、单中心队列研究，纳入了2023年7月至2025年8月期间因肺炎引起的败血症而入住ICU的成年患者。在患者入住ICU后的24小时内收集了基线人口统计学、临床和实验室数据，包括血浆mcfDNA的拷贝数。特征选择使用了最小绝对收缩和选择算子（LASSO）回归方法。训练并评估了六种机器学习算法。模型性能通过多种指标进行评估，包括接收者操作特征曲线下面积（AUC）、准确性、阳性预测值、阴性预测值、敏感性、特异性和F1分数。此外还进行了五折交叉验证以内部评估最终模型，正式的校准评估包括Brier分数、校准截距、校准斜率和校准图。使用Shapley加性解释（SHAP）方法检查了模型的可解释性。

结果

共有187名患者被纳入研究；其中62名（33.2%）在28天内死亡。LASSO识别出六个预测因子：动脉血pH值、白细胞计数、凝血酶原时间比值、国际标准化比值、乳酸脱氢酶和血浆mcfDNA拷贝数。在评估的模型中，随机森林模型表现出最平衡的整体性能。在重复的五折交叉验证中，最终的随机森林模型显示出良好的内部区分性能。直接比较仅基于常规临床变量的简化模型和额外包含血浆mcfDNA的扩展模型后发现，扩展模型在区分能力、校准和阈值依赖的分类性能方面都有所改善。SHAP分析表明血浆mcfDNA是模型预测的主要贡献因素。

结论

一个结合了血浆mcfDNA和常规可用变量的可解释机器学习模型显示出在肺炎引起的败血症ICU患者中进行28天死亡率早期风险分层的潜力。这些发现表明血浆mcfDNA可能提供额外的预后信息，但这些结果应被视为探索性的，需要在更大规模的前瞻性多中心研究中通过外部验证来确认。