用于 ICU 再入院预测的可解释机器学习
机器学习
2024-09-16 v4 人工智能
摘要
重症监护室（ICU）是一个复杂的医院环境，临床医生的决策对患者生命具有高度风险。为此必须遵循综合照护路径以减少并发症。该环境中不确定、相互竞争且非计划性的因素增加了统一实施照护路径的难度。再入院加剧了该路径的困难，即患者在短时间内再次进入 ICU，导致高死亡率与高资源消耗。已有若干工作尝试通过患者医疗信息预测再入院。尽管这些工作在预测再入院方面取得了一定成功，但并未恰当评估、刻画和理解再入院预测。本工作提出一个标准化且可解释的机器学习流程，在多中心数据库（即包含 166,355 名患者、200,859 次入院和 6,021 次再入院的 eICU 队列）上建模患者再入院，并在单中心（即包含 382,278 名患者、523,740 次入院和 5,984 次再入院的 MIMIC IV 队列）与多中心设定下进行验证。我们的机器学习流程使用随机森林分类模型在受试者工作特征曲线下面积（AUC）上取得最高 0.7 的预测性能，并在验证集上表现出良好的整体校准与一致性。由所构建模型提供的解释，我们还能得出一组有洞察的结论，主要涉及生命体征与血液检测（如白蛋白、血尿素氮和血红蛋白水平）、人口统计学（如年龄、入院身高与体重）以及 ICU 相关变量（如单元类型）。这些洞察为临床医生在 ICU 患者出院决策时提供了宝贵的信息来源。
引用
@article{arxiv.2309.13781,
title = {Explainable Machine Learning for ICU Readmission Prediction},
author = {Alex G. C. de Sá and Daniel Gould and Anna Fedyukova and Mitchell Nicholas and Lucy Dockrell and Calvin Fletcher and David Pilcher and Daniel Capurro and David B. Ascher and Khaled El-Khawas and Douglas E. V. Pires},
journal= {arXiv preprint arXiv:2309.13781},
year = {2024}
}