基于MIMIC-Ⅳ数据库的机器学习方法，用于早期预测重症监护病房（ICU）中败血症患者的28天死亡率

《Scientific Reports》：Machine learning for the early prediction of 28-day mortality in patients with sepsis in the ICU based on MIMIC-Ⅳ database

　　

摘要

败血症由于感染会引发危及生命的器官功能障碍，从而导致高死亡率。我们的目标是基于《医学信息集市Ⅳ（MIMIC-Ⅳ）2.2》数据库开发一个机器学习模型，以预测重症监护病房（ICU）中败血症患者的28天死亡率。从MIMIC-Ⅳ(2.2)数据库中提取了1448名败血症患者的临床数据。采用了最小绝对 shrinkage 和选择算法（LASSO）以及多元逻辑回归来分析败血症患者死亡率的潜在预测因素。在比较了包括极端梯度提升（XGBoost）、逻辑回归、轻量级梯度提升机（LightGBM）、随机森林（RF）、高斯朴素贝叶斯（GNB）、多层感知器（MLP）、支持向量机（SVM）和决策树（DT）在内的八种不同算法后，根据其预测性能选出了最优模型。为了进行个性化风险评估，应用了Shapley加性解释（SHAP）方法。SOFA评分、乳酸水平、年龄、红细胞压积（RDW）和白蛋白水平是败血症患者死亡率的预测因素。在这八种算法中，逻辑回归模型的表现显著优于其他算法。使用最优算法进行重新训练后，在训练集上的AUC值为0.754，该模型在测试集上的表现也较好（AUC=0.746，敏感性=0.714，特异性=0.721，F1分数=0.486）。基于MIMIC-IV中常规可获得的临床数据的机器学习模型在预测败血症患者28天死亡率方面表现出中等的辨识能力，SHAP分析为模型的可解释性提供了洞察。本研究构建了一个基于多个机器学习模型的预测体系，其中逻辑回归模型的性能更为优异。