基于MIMIC-IV数据库的机器学习模型预测ICU患者24小时肺血栓栓塞症风险：抗凝治疗状态对区分能力贡献的内部验证研究

《BMC Medical Informatics and Decision Making》：Machine learning-based early risk stratification for pulmonary thromboembolism in critically ill patients undergoing chest CT: a retrospective cohort study using CT-confirmed outcomes

　　

摘要

背景

肺血栓栓塞症是重症患者中一个可预防的死亡原因，而重症监护室（ICU）中的血栓预防决策往往是在诊断不确定性下作出的。由普通住院患者推导出的风险评分在重症监护中的区分能力较差。我们开发并内部验证了一个用于预测入住ICU后24小时肺血栓栓塞症风险的机器学习模型，并测量了其中有多少区分能力来源于当时已记录的治疗信息。

方法

数据来自重症监护医疗信息库IV（MIMIC-IV）数据库。所有患者均接受了增强胸部CT扫描。结局为入住后24小时至30天内经CT确诊的肺血栓栓塞症。40种配置（8种算法 × 5种不平衡处理策略）在一次外层5折划分上评估，且不进行调优。模型与三个对比评分通过折内逻辑重校准置于同一概率尺度上，并采用配对自助法估计受试者工作特征曲线下面积的差异。死亡与出院被视为竞争事件。

结果

在4,470例患者（144例事件；3.22%）中，模型获得曲线下面积0.740（95%置信区间0.700至0.780），高于改良Padua评分（0.548）以及核心版（0.649）和扩展版（0.622）ICU静脉血栓栓塞症评分（差异分别为0.192、0.091和0.118；均为P < .001）。事件发生率从风险五分位数的0.56%升至8.28%。移除抗凝治疗状态后，曲线下面积降至0.660（差异0.080，95%置信区间0.041至0.120）；简化模型仍高于改良Padua评分（P < .001），但不再高于核心版（P = .62）或扩展版（P = .25）评分。四个Brier评分彼此相差不超过0.001。区分能力从1天标志点的0.742降至7天标志点的0.650。

结论

在这一影像信息富集的队列中，该模型对肺血栓栓塞症的区分能力优于三个对比评分。其中大部分差异由抗凝治疗状态承载，而这是一项已记录的临床医生决策，而非患者测量值；若去除它，模型便与ICU静脉血栓栓塞症评分无可区分。投入使用前需进行外部验证。