基于机器学习的模型开发及其外部验证，用于早期预测脓毒症重症患者的多器官功能障碍综合征

《European Journal of Medical Research》：Development and external validation of a machine learning-based model for the early prediction of multiple organ dysfunction syndrome in critically ill patients with sepsis

　　

摘要

背景

多器官功能障碍综合征（MODS）是脓毒症的严重并发症。本研究旨在利用常规可获得的临床变量构建机器学习模型，并通过外部验证，以预测脓毒症患者在入住重症监护室（ICU）24小时后出现新发MODS的风险。

方法

这些模型是基于重症监护医学信息市场IV数据库构建的，并通过eICU协作研究数据库进行外部验证。研究纳入了首次入住ICU的脓毒症成年患者，排除了那些在入院时或入院后24小时内已出现MODS的患者。主要评估指标为ICU入院24小时后新发MODS的情况。通过最小绝对收缩和选择运算回归法进行特征筛选后，共构建了9个机器学习模型。对这些模型的性能进行了区分度、校准性、决策曲线分析、增量预测值、敏感性分析以及SHapley加性解释等方面的评估。

结果

最终MIMIC-IV研究队列包含16,427名脓毒症患者，其中2,381名患者出现了新发MODS，占比为14.5%。外部验证队列共有1,678名患者，其中527名出现了MODS，占比为31.4%。在9个模型中，测试集的接收者操作特征曲线下面积在0.657至0.757之间，而外部验证队列的该数值则在0.593至0.723之间。各类集成学习模型的性能大致相当，外部验证时的AUC值在0.720到0.723之间。LightGBM在测试集中的AUC值为0.757，在外部验证队列中的AUC值为0.721，其区分度和校准性均较为稳定。在排除序贯器官功能衰竭评估评分后，增量价值分析和敏感性分析表明，这些机器学习模型还能提供额外的预测信息。SHAP分析显示，呼吸频率、SOFA评分、机械通气使用情况、血小板计数、血尿素氮水平、血管活性药物的使用以及格拉斯哥昏迷评分对模型预测有重要影响。

结论

利用常规临床变量构建的机器学习模型对脓毒症患者新发MODS具有中等程度的预测能力，各类集成学习模型在外部验证队列中的性能也大致相同。由于本研究为回顾性设计，且缺乏前瞻性评估，因此这些结果仅可作为早期风险分层的探索性证据，还不能直接用于临床实践。未来需要更多前瞻性、多中心的研究来进一步评估其临床应用价值。