基于机器学习的多模态结构化数据融合脓毒症院内死亡预测模型:急诊队列研究与可解释性分析
孙成丞
王平
崔冬亮
杨思琪
项涛
610000 四川 成都,成都市第三人民医院急诊科
摘要：目的 基于急诊队列,开发并验证一种用于脓毒症患者院内死亡风险预测的融合多模态结构化数据的机器学习模型.方法 采用单中心回顾性队列研究,纳入 2021 年 9 月至2023 年8 月成都市第三人民医院 177 例急诊脓毒症患者.收集多模态临床数据,缺失值以中位数填充连续变量、众数填充分类变量并引入指示器.构建序贯器官衰竭评分(SOFA)、快速序贯器官衰竭评分(qSOFA)评分及LightGBM、XGBoost、随机森林模型,以受试者工作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPRC)和Brier分数评估院内死亡预测性能,SHAP值分析可解释性.结果 LightGBM 模型区分能力最佳(AUROC 0.893,95%CI 0.774～0.990),显著优于SOFA评分(0.535)和 qSOFA(0.586)评分(P<0.05);随机森林模型在阳性事件预测能力(AUPRC 0.687)和校准度(Brier分数 0.098)方面表现最优.SHAP分析显示,关键预测因子为乳酸(>2.0 mmol/L 时 SHAP 值陡增至+0.32)、PaO2/FiO2 比值(<200 mmHg 时 SHAP 值达+0.28)、血管活性药物使用(贡献+0.25)及年龄(每增1 岁风险增加0.015),且乳酸与PaO2/FiO2 的协同作用使联合SHAP值达+0.60,显著高于单一因素叠加.结论 机器学习模型显著提升脓毒症死亡风险预测精度,其多源数据融合能力超越传统评分系统,为急诊精准诊疗提供可解释性风险分层工具,具有重要临床转化价值.
关键词：脓毒症院内死亡机器学习多模态数据急诊精准诊疗
资助基金：国家自然科学基金(81901411)四川省自然科学基金项目(2024NSFSC1604)成都市科技计划项目(2024-YF05-02243-SN)
论文发表日期：2026-03-10
在线出版日期：2026-03-27（本平台首次上网日期，不代表文献的发表时间）
页数：8( 199-206 )
英文信息