利用 XGBoost 和高级机器学习优化 ICU 心力衰竭患者的死亡率预测
机器学习
2024-09-04 v1
摘要
心力衰竭影响全球数百万人，显著降低生活质量并导致高死亡率。尽管已有大量研究，但心力衰竭与 ICU 患者死亡率之间的关系尚不完全明了，表明亟需更精确的预测模型。本研究基于 MIMIC-III 数据库，对 1,177 名年龄在 18 岁以上的患者进行分析（依据 ICD-9 编码识别）。预处理包括处理缺失数据、删除重复记录、处理偏斜，并采用过采样技术解决数据不平衡问题。通过基于方差膨胀因子（VIF）的严格特征选择、临床专家意见以及消融研究，筛选出 46 个关键特征以提升模型性能。本研究比较了多种机器学习模型，包括逻辑回归、支持向量机（SVM）、随机森林、LightGBM 和 XGBoost。XGBoost 模型表现最佳，测试 AUC-ROC 为 0.9228（95% 置信区间 0.8748 - 0.9613），显著优于先前工作（AUC-ROC 为 0.8766）及现有文献中最佳结果（AUC-ROC 为 0.824）。此模型的成功归因于先进的特征选择方法、稳健的预处理技术以及通过网格搜索实现的全面超参数优化。SHAP 分析和基于 XGBoost 的特征重要性评估突出了白细胞计数和 RDW 等关键变量，为理解临床因素如何影响死亡风险提供了宝贵见解。该框架为临床医生提供了重要支持，使其能够识别 ICU 心力衰竭患者中的高风险人群，并通过及时且有依据的干预提高患者预后。
引用
@article{arxiv.2409.01685,
title = {Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database},
author = {Negin Ashrafi and Armin Abdollahi and Jiahong Zhang and Maryam Pishgar},
journal= {arXiv preprint arXiv:2409.01685},
year = {2024}
}