XMI-ICU：用于心梗患者ICU死亡率伪动态预测的可解释机器学习模型
机器学习
2023-05-11 v1
摘要
心脏病发作仍是美国和全球死亡的最主要因素之一。因确诊心脏病发作（心肌梗死或MI）入住重症监护病房（ICU）的患者死亡风险更高。在本研究中，我们使用从eICU和MIMIC-IV数据库提取的两个回顾性队列，开发了一种新颖的伪动态机器学习框架，用于ICU中死亡率预测，并具备可解释性与临床风险分析。该方法可在事件发生前最多24小时对ICU患者进行准确预测，并提供时间分辨的可解释性结果。该框架基于极端梯度提升，在eICU的留出测试集上评估，并在MIMIC-IV队列上利用时间分辨Shapley值识别出的最重要特征进行外部验证，在6小时死亡率预测中分别取得91.0的AUC（平衡准确率82.3）。我们表明，我们的框架成功利用了时间序列生理测量，将其转化为堆叠的静态预测问题，从而在ICU住院期间随时间保持稳健预测，并能从时间分辨可解释性提供临床洞察。
引用
@article{arxiv.2305.06109,
title = {XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality in the ICU for Heart Attack Patients},
author = {Munib Mesinovic and Peter Watkinson and Tingting Zhu},
journal= {arXiv preprint arXiv:2305.06109},
year = {2023}
}