基于电子健康记录的ICU出院决策支持因果机器学习框架

《Scientific Reports》：A causal machine learning framework for ICU discharge decision support using electronic health records

　　# 摘要重症监护病房（ICU）患者转出需要在过早转出的风险与延长ICU停留带来的成本和容量限制之间取得平衡。过早转出可能增加病情恶化和再入院的风险，而延迟转出则会给重症监护资源带来压力。我们旨在开发并评估一个计算高效的因果机器学习框架，利用观察性数据估计与较低的30天再入院风险相关的ICU转出决策。我们分析了两个大型公开电子健康记录数据库——MIMIC-IV（45,281次ICU住院）和eICU（38,967次ICU住院）——用于模型开发和外部验证。该框架结合了逆概率加权与双重稳健估计，采用梯度提升决策树和逻辑回归实现。系统专为计算高效性设计，在标准CPU硬件上所需内存不到4 GB，训练时间不到2小时。模型展现了良好的区分性能，MIMIC-IV中的AUROC值为0.847，eICU中为0.821。在基线30天ICU再入院率为8.7%（MIMIC-IV）和7.3%（eICU）的队列中，对所学转出策略的反事实评估显示，MIMIC-IV队列的相对风险降低为18.3%，eICU队列的相对风险降低为15.7%，分别对应约1.6和1.1个百分点的绝对风险降低。生命体征、实验室检测和液体平衡的时间模式是策略分配中影响最大的特征之一。本研究证明，策略学习方法可以应用于常规收集的ICU数据，以计算高效的方式估计反事实转出策略。尽管研究结果源自回顾性观察性数据并依赖于建模假设，但这些发现表明其在为ICU转出决策支持提供参考方面具有潜在价值。前瞻性评估将是评估临床影响和安全性所必需的。