用于慢性阻塞性肺疾病急性加重期重症患者28天死亡率预测的机器学习模型的开发与多中心验证

《BMC Pulmonary Medicine》：Development and multicenter validation of machine learning models for 28-day mortality in critically ill patients with acute exacerbation of chronic obstructive pulmonary disease

　　

摘要

背景

慢性阻塞性肺疾病的急性加重是重症监护室中常见的危重疾病，且往往会导致不良预后。由于临床特征的显著异质性，传统评分系统难以实现准确的早期死亡风险分层。本研究旨在构建并验证机器学习模型，以提前预测患有AECOPD的危重患者的28天死亡率。

方法

在这项多中心回顾性研究中，研究人员利用重症监护医学信息集IV数据库构建了机器学习模型，并在eICU协作研究数据库中进行外部验证。研究对象为首次入住重症监护室的AECOPD成人患者，提取了他们入住后24小时内的常规临床数据。通过最小绝对值收缩和选择回归算法进行特征选择，最终构建了九种机器学习模型。模型的性能从区分度、精确度-召回率、校准性以及临床实用性等方面进行评估，并与传统临床评分系统进行了比较。主要分析中采用了类别加权方法，同时通过SMOTE技术及额外的敏感性分析来评估模型的稳健性。

结果

共有715名患者被纳入研究，其中84人（11.7%）在28天内死亡。LASSO算法筛选出了15个预测变量。在内部测试集中，支持向量机的AUC值最高，为0.722。在外部验证组中，LightGBM的AUC值和F1分数最高；GBM的敏感度最高；XGBoost的负预测值和平衡精度最高；随机森林的PR-AUC值最高。不同模型和数据集的校准性能存在差异。与传统临床评分相比，几种机器学习模型的数值表现更优，但没有任何一种模型在所有评估指标上都能持续优于其他模型。敏感性分析表明，研究的主要结论具有较好的稳健性。

结论

基于常规重症监护数据的机器学习模型在为AECOPD危重患者进行28天死亡风险分层方面展现出潜在应用价值。但由于死亡病例数量有限、类别不平衡以及过拟合风险，这些研究结果需谨慎解读。目前这些模型尚不适合直接用于临床，还需要进一步的前瞻性验证、本地重新校准，以及在真实临床环境中的应用评估。