用于老年多器官功能障碍综合征（MODS）患者早期死亡预测的可解释机器学习模型：一项多中心回顾性研究与交叉验证
摘要
背景：老年 MODS 患者死亡风险高、预后差。当前评估 MODS 严重程度及其死亡率的评分系统表现仍不尽如人意。本研究旨在开发一种可解释且可泛化的模型，用于老年 MODS 患者早期死亡预测。方法：采用 MIMIC-III、eICU-CRD 与 PLAGH-S 数据库进行模型生成与评估。我们使用 eXtreme Gradient Boosting 模型结合 SHapley Additive exPlanations 方法对患者住院结局进行早期且可解释的预测。采用三类数据源组合与五项典型评价指标以开发可泛化模型。结果：该可解释模型在使用 MIMIC-III 与 eICU-CRD 数据集开发出最优表现后，分别于 MIMIC-III、eICU-CRD 与 PLAGH-S 数据集（与训练集无重叠）中独立验证。该模型经三数据集验证预测住院死亡率的表现分别为：AUC 0.858、灵敏度 0.834、特异度 0.705；AUC 0.849、灵敏度 0.763、特异度 0.784；以及 AUC 0.838、灵敏度 0.882、特异度 0.691。以 MIMIC-III 数据集验证的该模型与基线模型的 AUC 比较显示前者更优；此外，该模型与常用临床评分的 AUC 比较显示其表现显著更优。解读：本研究使用融合的大样本数据集开发的可解释机器学习模型稳健且可泛化。该模型在早期预测老年 ICU 患者死亡率方面优于基线模型与若干临床评分。该模型的可解释特性为临床医师提供了死亡风险特征的排序。
引用
@article{arxiv.2001.10977,
title = {Interpretable Machine Learning Model for Early Prediction of Mortality in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a Multicenter Retrospective Study and Cross Validation},
author = {Xiaoli Liu and Pan Hu and Zhi Mao and Po-Chih Kuo and Peiyao Li and Chao Liu and Jie Hu and Deyu Li and Desen Cao and Roger G. Mark and Leo Anthony Celi and Zhengbo Zhang and Feihu Zhou},
journal= {arXiv preprint arXiv:2001.10977},
year = {2020}
}
备注
33 pages, 14 figures, 14 tables, article, Co-author: Xiaoli Liu and Pan Hu, Co-correspondence: Feihu Zhou and Zhengbo Zhang