基于机器学习方法的严重心血管疾病患者急性疾病严重程度指数

《Communications Medicine》：Acute illness severity index for severe cardiovascular disease patients using machine learning approaches

　　

摘要

背景

对于患有心血管疾病的危重患者而言，常见的重症监护严重程度评分可能不够准确。我们利用常规收集的医院数据，开发并验证了一种用于预测30天死亡率的基于数据的严重程度指数。

方法

我们进行了一项回顾性多中心队列研究。模型开发使用了重症监护医学信息库中的数据（共39,458例住院病例），这些数据被分为训练集（10,457例）和内部验证集（29,001例）。外部验证则使用了美国的一个大型多中心重症监护数据库（9,222例）以及广东省第二人民医院的独立队列（235例）。我们将机器学习模型与三种现有的严重程度评分进行了比较，评估了它们的区分度、校准性、临床实用性以及模型可解释性。

结果

研究表明，梯度提升决策树模型具有最高的区分度，在内部验证集和两个外部验证集中的受试者工作特征曲线下面积分别为0.853、0.802和0.853，而现有评分的这一数值则在0.724到0.765之间。该模型的校准性良好（标准化死亡比为1.00；95%置信区间为0.98至1.02），并且在不同年龄、性别和种族亚组中表现一致。决策曲线分析显示，在0.20到0.60的阈值范围内，该模型的净收益高于传统评分。影响模型结果的关键因素包括合并症负担、尿量、活动状态、呼吸频率以及最低血氧饱和度。

结论

与传统的重症监护评分相比，基于梯度提升决策树的严重程度指数在区分度、校准性和临床实用性方面都有所提升，并且在外部队列中也能保持良好的适用性。该模型的可解释性特点有助于对患有心血管疾病的危重患者进行有效的风险分层。