摘要
背景：PADS 结合了两个神经网络，分别预测重症监护室（ICU）死亡率以及 48 小时内的出院情况，将危重患者归入四种具有临床意义的状态之一。该模型仅基于 MIMIC-IV 开发，因此尚不明确其是否能推广到其他 ICU、其模型是否能跨医院迁移，以及其预测结果是否能在床旁得到解释。方法：我们使用相同常规收集的变量，在来自不同医院和国家的四个 ICU 数据库（MIMIC-IV、AmsterdamUMCdb、eICU-CRD 和 HiRID）上评估了 PADS。死亡率评估基于最后 48 小时窗口（终末窗口区分度，而非早期预警区分度）。对于每个外部数据库，我们比较了直接使用的 MIMIC 模型、从头重新训练的模型以及从 MIMIC 权重重新训练的模型，并添加了一个可解释性层。结果：在死亡率方面，复用并重新训练 MIMIC 模型在每个数据库上都给出了最高的区分度（AUROC 0.955–0.986；终末窗口（临近结果）区分度），并稳定了训练过程；直接使用时，其表现从偶然水平（Amsterdam）到良好（eICU、HiRID）不等。对于出院情况，在本地数据上从头训练在每一个外部数据库上都匹配或超过了复用 MIMIC 模型的表现，这与出院时机取决于当地组织安排而非生理状况一致。可解释性层产生了临床上一致且经过交叉验证的解释。结论：可迁移性取决于任务：死亡率可在医院间迁移，而出院情况则不能。PADS 在异质性 ICU 数据库之间展示了有前景的外部可迁移性，特别是在本地适配后。跨医院复用和适配 MIMIC-IV 死亡率模型可提高准确性。这种方法还稳定了训练过程，为潜在的联邦部署提供了基础，而出院情况最好在本地进行训练。此处报告的死亡率结果是终末窗口区分度，不支持将该框架用作早期预警模型。透明的可解释性层提供了模型预测的可解释表示，解决了临床采用中的一个关键障碍。
