预测儿科重症监护室中的迟发感染：一种多模型机器学习框架

《BMC Infectious Diseases》：Predicting late-onset infections in the pediatric intensive care unit: a multimodel machine learning framework

　　

摘要

背景

儿科重症监护病房（PICU）中的晚期医疗相关感染与死亡率增加和医疗成本上升有关。由于全身炎症重叠以及现有模型中存在数据泄漏缺陷，早期预测仍然困难。本研究开发了一个稳健、可解释的机器学习框架，用于早期风险分层。

方法

我们回顾性分析了 1,012 名入院 PICU 的患者。为了减少时间泄漏，在预设的 -24 至 +48 小时围入院窗口期内提取预测因子，建立了一个严格的动态基线观察窗口（-24 至 +48 小时）以提取高频生理、实验室和干预数据。缺失值使用非参数随机森林插补进行处理。使用训练集开发了八种机器学习算法，并使用留出的内部测试集进行评估。算法比较用于性能基准测试和基于 SHAP 的特征优先级排序，而最终临床工具则是使用多变量逻辑回归单独开发的。采用沙普利加和解释（SHAPs）来解释最优模型。最后，使用嵌套多变量逻辑回归构建了一个简约的临床工具。

结果

基于树的集成算法优于传统模型。极端梯度提升（XGBoost）实现了最高的测试集受试者工作特征曲线下面积 [AUC]（0.839）和准确率（0.752），而 RSVM 实现了最高的灵敏度（0.891）和 MCC（0.496）。在基于 SHAP 指导的特征选择和向后消除之后，最终确定了一个包含实际剩余碱、pH 值、血小板、血红蛋白和红细胞压积的五变量简约预测框架。最终逻辑回归模型在整个开发队列中显示出可接受的表观区分度（一致性指数 = 0.725），同时减少了所需变量的数量。该框架被部署为一个交互式、基于 Web 的风险计算器。

结论

通过动态基线窗口解决数据泄漏问题，并通过 SHAP 缓解人工智能（AI）“黑箱”困境，我们开发了一个高度可解释的五变量早期预警工具。这一实用框架促进了晚期 PICU 感染的实时床旁风险分层，并有望指导及时的治疗干预和改善临床结果。