《Diagnostics》：Interpretable Machine Learning for In-Hospital Mortality Prediction in ICU Patients Using First-24-Hour Routine Vital Signs: A SHAP-Based MIMIC-IV Study
编辑推荐：
背景：识别死亡风险增加的ICU患者可能有助于临床评估和照护优先级划分。然而，许多死亡预测方法纳入了大量实验室信息、传统严重程度评分或计算复杂的模型，这些因素可能限制其在床边的直接解读。本研究探讨了在ICU入住后首24小时内常规记录的生理测量数据，是否能够支持一
背景：识别死亡风险增加的ICU患者可能有助于临床评估和照护优先级划分。然而，许多死亡预测方法纳入了大量实验室信息、传统严重程度评分或计算复杂的模型，这些因素可能限制其在床边的直接解读。本研究探讨了在ICU入住后首24小时内常规记录的生理测量数据，是否能够支持一种可解释的机器学习方法用于后续院内死亡预测。方法：研究人员使用严格的24小时标志性设计，对来自MIMIC-IV的51,598例成人首次ICU入住进行了回顾性分析。排除标准包括：ICU持续时间缺失、记录的ICU停留时间短于24小时、或在24小时标志时间点或之前记录到死亡的患者。对首24小时内记录的生理测量数据进行汇总以构建预测变量集。使用分层80:20训练-测试划分开发了五种分类算法——逻辑回归、随机森林、XGBoost、LightGBM和CatBoost。通过区分度、精确率-召回率、校准、阈值依赖的分类指标和决策曲线分析评估性能。使用Bootstrap重采样估计95%置信区间和两两性能差异。使用Shapley加性解释（SHAPs）对XGBoost模型进行解释。结果：修订后的队列包括46,259例存活者和5,339例院内死亡结局患者。XGBoost在数值上达到了最高的受试者工作特征曲线下面积（AUROC）0.803（95% CI：0.790–0.815）和精确率-召回率曲线下面积（AUPRC）0.341（95% CI：0.313–0.369），布里尔评分（Brier score）为0.080（95% CI：0.076–0.084）。配对Bootstrap比较显示，XGBoost的AUROC显著高于随机森林和LightGBM，但与CatBoost无显著差异；其AUPRC显著高于随机森林，但与LightGBM或CatBoost无显著差异；其布里尔评分显著低于随机森林，但与LightGBM或CatBoost无显著差异。在默认概率阈值0.50下，XGBoost实现了高特异度（0.990）但低召回率（0.091），而降低阈值可增加死亡检出，但以额外假阳性分类为代价。结论：在ICU入住后首24小时内累积的常规记录生理信息，支持一种可解释的机器学习框架，能够对后续院内死亡提供有用的区分度和概率估计。XGBoost实现了数值上最高的性能，但梯度提升模型之间的差异总体较小，且并非在所有评估指标上均显著。阈值敏感性分析表明，分类行为强烈依赖于所选操作阈值。在常规部署之前，需要独立的多中心验证和前瞻性临床评估。
**ICU院内死亡预测可解释机器学习研究解读**
**1. 研究背景与问题**
重症监护病房（ICU）患者病情变化迅速，早期识别院内死亡高风险患者对于临床评估、照护优先级分配和资源合理利用至关重要。然而，现有许多死亡预测模型依赖广泛的实验室检查、传统严重程度评分或计算复杂的深度学习架构，这些方法往往需要大量变量、难以在床边快速解读，限制了其临床应用。因此，需要探索一种仅利用常规、易获取的生理测量数据，同时具备良好区分度和可解释性的机器学习（machine learning, ML）预测框架。
**2. 研究内容、结论与意义**
研究人员利用MIMIC-IV数据库，构建了一个严格的24小时标志性（landmark）队列，并系统比较了五种机器学习算法。结果显示，XGBoost模型在数值上取得了最优的区分度（AUROC=0.803）和精确率-召回率性能（AUPRC=0.341），并具有较好的概率校准（Brier score=0.080）。SHAP解释分析揭示了呼吸频率、年龄、收缩压、体温和休克指数等关键生理特征对预测的贡献。该研究的意义在于，仅凭ICU入住后首24小时内的常规生命体征即可建立可解释的死亡风险评估模型，避免了大量实验室检测和复杂计算，为后续外部验证和临床整合提供了基础。
**3. 主要关键技术方法**
该研究为回顾性队列研究，样本来源于MIMIC-IV（版本3.1，由麻省理工学院计算生理学实验室与贝斯以色列女执事医疗中心开发），纳入51,598例成人首次ICU入住。采用严格24小时标志设计，提取首24小时内心率（HR）、呼吸频率（RR）、收缩压（SBP）、舒张压（DBP）、平均动脉压（MAP）和体温（TEMP）的均值、标准差、最小值、最大值、首次值、末次值，并计算休克指数（心率/收缩压）。采用分层80:20训练-测试划分，使用五折交叉验证优化超参数，开发了逻辑回归、随机森林、XGBoost、LightGBM和CatBoost五种分类器。评估指标包括AUROC、AUPRC、Brier评分、校准曲线、混淆矩阵和决策曲线分析，并通过2000次bootstrap重采样估计95%置信区间和配对性能差异；采用SHAP对XGBoost进行全局和个体层面解释。
**4. 研究结果**
**4.1 研究人群基线特征**：修订后的队列共51,598例患者，其中院内死亡5,339例（10.35%）。死亡组患者年龄更大（71岁vs65岁），心率、呼吸频率和休克指数更高，而收缩压、舒张压和平均动脉压更低，组间差异具有统计学意义。
**4.2 机器学习模型性能比较**：在测试集（10,320例）上，XGBoost的AUROC为0.803、AUPRC为0.341、Brier评分为0.080，数值上均为最优。配对bootstrap比较显示，XGBoost的AUROC显著高于随机森林和LightGBM，但与CatBoost无显著差异；其AUPRC和Brier评分与LightGBM、CatBoost均无显著差异。
**4.3 受试者工作特征曲线分析**：XGBoost的AUROC最高（0.803），其次为CatBoost（0.801）、LightGBM（0.798）、随机森林（0.795）和逻辑回归（0.728），表明梯度提升模型整体区分度优于线性模型。
**4.4 精确率-召回率曲线分析**：XGBoost的AUPRC最高（0.341），显著高于随机森林和逻辑回归，但与LightGBM、CatBoost差异不显著。该指标侧重于少数类（死亡）的表现，说明梯度提升模型在类别不平衡下仍保持较好性能。
**4.5 校准分析**：XGBoost和CatBoost的Brier评分均为0.080，LightGBM为0.081，随机森林为0.091，逻辑回归为0.211。XGBoost的校准误差显著低于随机森林和逻辑回归，表明其概率估计更可靠。
**4.6 混淆矩阵分析**：在默认阈值0.50下，XGBoost的特异度高达0.990，但召回率仅为0.091；逻辑回归召回率较高（0.651），但代价是大量假阳性和低特异度（0.686）。说明默认阈值偏向特异性，而非临床最优操作点。
**4.7 基于SHAP的模型解释**：全局特征重要性显示，平均呼吸频率、年龄、初始呼吸频率、最低收缩压和末次体温是最重要的预测因子。年龄的依赖图显示非线性关系；患者级瀑布图展示了不同个体中特征的正负贡献，且与全局解释一致。
**4.8 决策曲线分析**：三个梯度提升模型在阈值0.02至0.50范围内净获益相近，且在0.10至0.30阈值区间保持正净获益，而逻辑回归在较高阈值下出现负净获益，表明梯度提升模型具有更好的潜在临床决策效用。
**5. 讨论与结论**
讨论部分指出，本研究的核心发现是基于首24小时常规生命体征的可解释ML模型能够提供有用的死亡风险区分度和概率估计，且特征重要性符合已知重症医学知识。与既往研究相比，本研究的创新在于使用紧凑的生理变量集和统一的评估框架，同时考察了区分度、校准、阈值依赖行为、临床净获益和可解释性。临床意义方面，该模型有望作为支持临床判断的辅助工具，但需注意其并非实时预测系统，而是24小时后的风险评估。局限性包括：仅基于单中心回顾性数据（MIMIC-IV）进行内部验证，缺乏外部验证；默认0.50阈值导致低召回率；未与SOFA、APACHE等传统评分直接比较；未纳入SpO2等潜在预测变量。
研究结论翻译：本研究利用ICU入住后首24小时内累积的生理信息，在MIMIC-IV修订的24小时标志队列（51,598例成人首次ICU入住）中开发并内部评估了一个可解释的机器学习框架，用于后续院内死亡预测。在五种分类器中，XGBoost取得了数值上最高的AUROC（0.803）和AUPRC（0.341）以及最低的未四舍五入Brier评分（0.080）。配对bootstrap比较显示，XGBoost的AUROC显著高于LightGBM但与CatBoost无显著差异，而其AUPRC和Brier评分与LightGBM和CatBoost均无显著差异。在默认概率阈值0.50下，XGBoost实现了高特异度（0.990）但低召回率（0.091），表明该常规阈值强烈偏向特异度而非死亡检出。降低阈值可显著提高敏感性，但以额外假阳性分类为代价，强调操作阈值应根据预期临床用途选择并进行前瞻性评估，而非默认为0.50。对代表性XGBoost模型的SHAP分析提供了医疗特征如何影响死亡风险估计的群体水平和个体水平解释。该紧凑预测变量集避免了对广泛实验室检查的依赖，但应被视为一种首24小时风险评估框架，而非实时入院模型或现有临床严重程度评分的替代品。在常规临床应用前，需要独立的多中心验证和前瞻性评估。
