用于预测肝硬化重症患者院内死亡率的可解释机器学习模型的开发与验证

《Scientific Reports》：Development and validation of an interpretable machine learning model for predicting in-hospital mortality among critically ill patients with liver cirrhosis

　　

摘要

本研究旨在构建并验证一种可解释的机器学习模型，用于早期预测肝硬化重症患者的住院死亡率，从而优化风险分层及个性化临床干预措施。研究从MIMIC-IV数据库中回顾性选取了5358名肝硬化重症监护患者，按7:3的比例随机分为训练组和内部验证组。研究人员构建了12种不同的机器学习算法，并将其与传统的SAPS II评分系统进行比较。通过AUC-ROC指标评估模型性能，同时运用SHAP分析提升模型的透明度与临床可解释性。结果显示，CatBoost模型的预测性能最佳，AUC值为0.79，显著高于SAPS II的AUC值0.75（p?<?0.001）。SHAP分析指出，乳酸浓度、体温、血尿素氮水平以及白细胞计数是影响预测结果的四大关键因素。利用重症监护入院后24小时内收集的常规临床指标，该可解释模型在预测肝硬化重症患者的住院死亡率方面表现出比SAPS II更好的区分能力。它有助于早期风险分层，但在实际应用之前还需进一步进行外部验证。