开发一种可解释性人工智能模型，用于预测来到急诊科的中老年创伤患者三个月内的功能恢复情况

《BMC Emergency Medicine》：Development of an explainable AI model for predicting 3-month functional recovery in middle-to older-age trauma patients visiting emergency department

　　

摘要

背景

中老年创伤患者可能在受伤后持续存在功能障碍。可解释的机器学习方法可以揭示脆弱性、受伤前的功能状态、受伤特征以及后续护理之间的临床一致性模式。我们探讨了用于评估3个月功能恢复的可解释机器学习框架的可行性，以及其表现和解释结果所提出的假设。

方法

我们分析了一个前瞻性单中心创伤队列中588名年龄≥45岁的患者；其中73名（12.4%）的功能恢复情况较差，定义为3个月巴塞尔指数（Barthel Index）≤60。使用自动机器学习框架评估了73个候选变量以及分别包含30个、12个和7个变量的最小冗余最大相关性子集。在五折交叉验证之前，对整个队列应用了安全级别的合成少数样本过采样和特征选择方法，且没有独立的保留集。

结果

恢复情况较差的患者比恢复情况良好的患者年龄更大（82.4 ± 8.3岁 vs 70.6 ± 12.5岁），受伤前的巴塞尔指数得分也更低（69.0 ± 27.7分 vs 97.1 ± 8.7分）。在最初的探索性工作流程中，包含30个变量的Fine KNN模型的表现AUROC为0.94，敏感性为0.90；包含70个变量的模型的AUROC也为0.94，敏感性为0.86；而仅包含7个变量的模型的敏感性较低（0.63–0.64）。总体而言，MMRR、SHAP和LIME的输出结果强调了受伤前的功能状态、年龄、居住安排和与受伤相关的变量。这些模式共同支持以下假设：基础功能储备和多领域受伤信息对3个月的恢复过程可能很重要，而过于激进的特征 reduction 可能会丢弃相关信号。由于在交叉验证之前进行了整个队列的预处理、过采样、特征选择和模型比较，因此性能估计和特征排名可能存在乐观偏差，需要进一步验证。

结论

这项初步分析为可解释机器学习在创伤后功能恢复中的应用提供了临床上的概念验证，并为未来的模型开发提出了可测试的假设。结合脆弱性和功能信息的多领域方法可能比高度简化的特征集更具信息价值。在实际临床应用之前，还需要进行无泄漏的折叠内重新开发、校准和决策曲线评估以及独立的多中心验证。