《Frontiers in Microbiology》:Development and validation of machine learning models for 30-day mortality prediction in septic shock
编辑推荐:
背景:脓毒性休克具有高死亡风险,然而传统预后工具存在局限性。本研究旨在利用综合入院变量,开发并验证用于预测脓毒性休克患者30天死亡率的机器学习(ML)模型。方法:对695例脓毒性休克患者进行回顾性分析。纳入人口统计学特征、生命体征及33项实验室参数作为候选预测
背景:脓毒性休克具有高死亡风险,然而传统预后工具存在局限性。本研究旨在利用综合入院变量,开发并验证用于预测脓毒性休克患者30天死亡率的机器学习(ML)模型。方法:对695例脓毒性休克患者进行回顾性分析。纳入人口统计学特征、生命体征及33项实验室参数作为候选预测因子。采用LASSO回归从年龄、性别及33项实验室参数中进行特征选择。使用双向分割及内部交叉验证(60%训练集,5折交叉验证进行超参数调优;40%留置验证队列用于最终评估)开发了11种机器学习算法,并使用受试者工作特征曲线下面积(AUC)及95%置信区间(CIs)、灵敏度、特异度、校准曲线和决策曲线分析评估其性能。应用SHAP方法进行模型解释。结果:LASSO筛选出六个预测因子:乳酸、血小板计数、中性粒细胞百分比、单核细胞百分比、白蛋白和C反应蛋白。经过严格的超参数调优后,随机森林(RF)模型在验证队列中表现出最佳且最稳定的性能(AUC = 0.820,95% CI: 0.765–0.875)。RF模型显示出良好的校准度和净临床获益。随后开发了一个基于网页的风险计算器。结论:基于六项易获取的实验室参数的RF模型可准确预测脓毒性休克患者的30天死亡率。然而,该发现受单中心回顾性设计及缺乏外部验证的限制,需要进一步的多中心研究以确认其泛化性。
脓毒性休克是脓毒症进展的最严重阶段,以感染导致的循环衰竭和代谢异常为核心病理生理特征,其死亡率显著高于单纯脓毒症。传统预后评估工具如序贯器官衰竭评估(SOFA)评分和简化急性生理评分II(SAPS-II)在临床广泛使用,但受限于其未能充分利用入院后早期获取的大量多维实验室数据,预测性能存在不足。因此,开发能够整合常规实验室指标、准确预测患者30天死亡风险的模型,对于临床优化治疗策略和合理分配医疗资源具有重要意义。
该研究发表于《Frontiers in Microbiology》。研究人员开展了一项单中心回顾性研究,纳入江苏省(宿迁)医院2021年8月至2025年8月收治的695例脓毒性休克患者,收集其入院时的人口学特征、生命体征和实验室参数。研究采用LASSO回归从35个候选变量(年龄、性别及33项实验室参数)中筛选特征,并开发了11种机器学习(ML)模型,包括朴素贝叶斯(NB)、K近邻(KNN)、支持向量机(SVM)、逻辑回归(LR)、随机森林(RF)、决策树(DT)、人工神经网络(ANN)、梯度提升决策树(GBDT)、LightGBM、XGBoost和AdaBoost。模型采用6:4随机分割为训练集(60%)和验证集(40%),训练集使用5折交叉验证进行超参数调优,验证集用于最终评估。采用AUC、灵敏度、特异度、校准曲线和决策曲线分析(DCA)评估模型性能,并通过SHAP方法进行模型解释。
在主要技术方法方面,该研究使用LASSO回归进行特征选择;应用11种ML算法构建预测模型;通过5折交叉验证调整超参数;使用AUC等指标比较模型性能;利用SHAP解释模型预测;最终开发了网页版风险计算器。样本来源于江苏省(宿迁)医院,为单中心回顾性数据。数据预处理过程中,对缺失率小于5%的变量采用随机森林(RF)填补,而缺失率≥5%的变量(腺苷脱氨酶、血氨、血清淀粉样蛋白A)被排除。
### Population characteristics
共695例患者纳入分析,其中247例(35.50%)在30天内死亡。训练队列中,非存活组与存活组相比,在多项指标上存在显著差异:非存活组的白细胞计数(WBC)、中性粒细胞计数(NE)、血小板计数(PLT)、C反应蛋白(CRP)、降钙素原(PCT)、凝血参数(凝血酶原时间PT、活化部分凝血活酶时间APTT、国际标准化比值INR、D-二聚体)、肝功能指标(天冬氨酸氨基转移酶AST、乳酸脱氢酶LDH、总胆红素TBIL、γ-谷氨酰转移酶γ-GT)、肾功能指标(尿素UREA、肌酐Cr、尿酸UA)、血糖(GLU)、心肌标志物(心肌肌钙蛋白IcTnI、N末端前脑利钠肽NT-proBNP)、炎症因子(肿瘤坏死因子-αTNF-α、白细胞介素-6IL-6)、乳酸(LAC)等显著升高,而淋巴细胞百分比(LY%)、单核细胞百分比(MO%)、平均血小板体积(MPV)、白蛋白(ALB)、球蛋白(GLB)、高密度脂蛋白胆固醇(HDL-C)、钙(Ca)等显著降低。
### ML model and model interpretation
LASSO回归筛选出六个预测因子:乳酸(LAC)、血小板计数(PLT)、中性粒细胞百分比(NE%)、单核细胞百分比(MO%)、白蛋白(ALB)和C反应蛋白(CRP)。方差膨胀因子(VIF)分析确认这些变量之间不存在多重共线性(VIF均小于5)。在训练队列中,AUC最高的四种算法为XGBoost(AUC=1.000)、GBDT(AUC=0.998)、LightGBM(AUC=0.957)和RF(AUC=0.944);然而在验证队列中,XGBoost和GBDT出现明显过拟合(训练与验证AUC差距大),而RF模型表现最佳且最稳定,验证队列AUC为0.820(95% CI: 0.765–0.875),其次是AdaBoost(0.815)、LightGBM(0.812)和GBDT(0.810)。RF模型的校准曲线显示预测概率与实际结果高度一致,DCA表明其净临床获益优于“全部治疗”或“全部不治疗”策略。SHAP分析结果显示,LAC对模型预测贡献最大,其后依次为PLT、NE%、MO%、ALB和CRP。基于RF模型,研究人员开发了一个网页版计算器,便于其他研究者复制分析和进一步验证。
讨论部分指出,RF模型相比传统逻辑回归更能捕捉非线性关系和变量间的交互作用,且对过拟合具有较好的鲁棒性。研究进一步探讨了各预测因子的临床意义:LAC升高反映组织缺氧和微循环功能障碍;血小板减少提示凝血功能紊乱和弥散性血管内凝血(DIC)风险;中性粒细胞升高与单核细胞降低共同体现过度炎症反应与免疫抑制状态;低白蛋白反映毛细血管渗漏、肝脏合成受抑及高分解代谢;CRP升高则与炎症反应强度和不良预后相关。该研究的局限性包括:单中心回顾性设计可能引入选择偏倚;实验室指标仅在入院时单次采集,未能反映动态变化;排除终末期肾病、Child-Pugh C级肝硬化、血液系统恶性肿瘤及妊娠哺乳期患者,可能限制结果的外推性;缺乏外部验证。
研究结论:通过使用易获取的实验室指标,研究人员利用机器学习算法构建了预测模型,并开发了网页计算器,该工具有助于模型向临床实践的转化。该模型可能适用于早期风险分层和实施个体化治疗策略,但仍需进一步验证。未来需要开展多中心外部验证以确认其泛化性。