基于机器学习的脓毒症相关急性肾损伤患者ICU死亡率预测——使用MIMIC-IV数据库并以eICU数据库进行验证
机器学习
2025-05-20 v2
摘要
背景：脓毒症相关急性肾损伤（SA-AKI）导致重症监护中高死亡率。本研究利用MIMIC-IV数据库开发机器学习模型，以预测SA-AKI患者的ICU死亡率。使用eICU协作研究数据库进行外部验证。方法：对于MIMIC-IV中识别的9,474名SA-AKI患者，通过方差膨胀因子（VIF）、递归特征消除（RFE）和专家输入选择关键特征，如实验室结果、生命体征和合并症，将其缩减至24个预测变量。构建了用于住院死亡率预测的XGBoost模型，并使用网格搜索优化超参数。模型可解释性通过SHAP和LIME得到增强。使用eICU数据库进行外部验证。结果：提出的XGBoost模型实现了内部AUROC为0.878（95%置信区间：0.859–0.897）。SHAP识别出SOFA、血清乳酸和呼吸频率作为关键死亡率预测因子。LIME强调血清乳酸、APACHE II评分、总尿量和血清钙为关键特征。结论：先进技术与XGBoost算法的集成产生了高度准确且可解释的模型，用于预测不同人群中的SA-AKI死亡率。它支持早期识别高风险患者，增强重症监护中的临床决策。未来工作需要重点关注提高适应性、多功能性和实际应用。
引用
@article{arxiv.2502.17978,
title = {Machine Learning-Based Prediction of ICU Mortality in Sepsis-Associated Acute Kidney Injury Patients Using MIMIC-IV Database with Validation from eICU Database},
author = {Shuheng Chen and Junyi Fan and Elham Pishgar and Kamiar Alaei and Greg Placencia and Maryam Pishgar},
journal= {arXiv preprint arXiv:2502.17978},
year = {2025}
}