自动化机器学习在预测重症监护病房感染患者死亡中的应用
周亦佳1
何宇1
薛雨涵1
林嘉希2
殷民月2
韦瑶3
朱锦舟2
于倩倩4
1.215000 江苏 苏州,苏州大学苏州医学院2.215000 江苏 苏州,苏州大学苏州医学院;215000 江苏 苏州,苏州大学附属第一医院消化内科3.215000 江苏 苏州,苏州大学苏州医学院;215000 江苏 苏州,苏州大学附属第一医院重症医学科4.213200 江苏 常州,江苏大学附属金坛医院
摘要：目的 探索自动化机器学习(AutoML)在预测重症监护病房(ICU)感染患者死亡中的应用.方法 以2019～2020 年四川省自贡市重症监护病房开源数据库中感染患者作为研究对象,基于H2O平台建立AutoML死亡预测模型.算法包括梯度提升模型(GBM)、极端梯度增强算法(XGBoost)、广义线性模型(GLM)、深度学习(DL)、随机森林(RF).数据集按照3∶1 随机分为训练集和验证集,训练集用于模型的构建,验证集用于评价模型效果.模型表现指标为受试者工作特征(ROC)曲线下面积(AUC),此外通过变量重要性排序、Shapley加法解释图(SHAP)、部分依赖关系和独立模型局部解释(LIME)等方法来解释模型.结果 共计1151 和380 例患者分别被纳入训练集和验证集来进行AutoML建模.在验证集中,基于XGBoost算法的AutoML模型表现最优,拥有最高的AUC(0.753)和最高的准确率(0.713),优于第 2 名GBM模型(AUC 0.748)、第 3名GLM模型(AUC 0.745).在XGBoost模型中,重要的变量包括诊断疾病、活化部分凝血活酶时间(APTT)、胱抑素C(CysC)、年龄、肌酸激酶同工酶(CK-MB)、脑利钠肽(BNP)、国际标准化比值(INR)、钾离子(K+)、白蛋白(ALB)、乳酸(Lac).结论 通过AutoML建模在预测ICU感染患者死亡结局应用中呈现较好表现.AutoML在临床研究中具有良好的应用前景,但该模型仍需要进行广泛的外部验证.
关键词：自动化机器学习重症监护室深度学习感染极端梯度增强算法(XGBoost)诊断疾病活化部分凝血活酶时间胱抑素C
资助基金：国家自然科学基金(82000540)苏州市科教兴卫项目(KJXW2019001)苏州大学医学部学生课外科研项目(2021YXBKWKY050)江苏大学临床医学科技发展基金项目(JLY2021095)
论文发表日期：2023-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 768-775 )
英文信息