面向危重患者的快速可解释死亡风险评分
摘要
重症监护病房（ICU）患者死亡率预测通常依赖于黑箱模型（医院不可接受）或手工调参的可解释模型（可能导致性能损失）。我们旨在基于现代可解释机器学习技术构建与黑箱模型同样准确的可解释死亡风险评分，以弥合这两类方法之间的差距。我们开发了一种新算法 GroupFasterRisk，其具有若干重要优势：同时使用硬与软直接稀疏正则化，引入组稀疏以构建更具凝聚力的模型，允许单调性约束以融入领域知识，并生成许多同等优良的模型供领域专家选择。为评估，我们利用了现有最大的公开 ICU 监测数据集（MIMIC III 与 eICU）。GroupFasterRisk 生成的模型在使用至多三分之一参数的情况下优于 OASIS 与 SAPS II 评分，并与 APACHE IV/IVa 表现相当。对于脓毒症/败血症、急性心肌梗死、心力衰竭与急性肾衰竭患者，GroupFasterRisk 模型优于 OASIS 与 SOFA。最后，基于 GroupFasterRisk 所选变量（相较于 OASIS 变量）的不同死亡预测机器学习方法表现更优。GroupFasterRisk 的模型优于医院当前使用的风险评分，且与黑箱机器学习模型相当，同时稀疏性高出数个数量级。由于 GroupFasterRisk 生成多种风险评分，它允许设计灵活性——这是实用模型构建的关键赋能因素。GroupFasterRisk 是一种快速、易用且灵活的方法，可学习多样化的稀疏死亡预测风险评分集。
引用
@article{arxiv.2311.13015,
title = {Fast and Interpretable Mortality Risk Scores for Critical Care Patients},
author = {Chloe Qinyu Zhu and Muhang Tian and Lesia Semenova and Jiachang Liu and Jack Xu and Joseph Scarpa and Cynthia Rudin},
journal= {arXiv preprint arXiv:2311.13015},
year = {2025}
}
备注
This article has been accepted for publication in the Journal of the American Medical Informatics Association, published by Oxford University Press