Development and Transportability Assessment of a Parsimonious Machine Learning Model for Predicting In-Hospital Mortality in ICU Patients with Cirrhosis and Sepsis: A MIMIC-IV and Chinese Cohort Study

Technische Samenvatting: Ontwikkeling en Transporteerbaarheid van een Parsimoineus Machine Learning-model voor het Voorspellen van In-hospital Mortaliteit bij IC-patiënten met Cirrose en Sepsis

Probleemstelling
Patiënten met cirrose die sepsis ontwikkelen, lopen een onevenredig hoog risico op in-hospital mortaliteit, waarbij de sterftecijfers ongeveer vier keer hoger liggen dan bij sepsis-patiënten zonder cirrose. Conventionele prognostische scores, zoals de Sequential Organ Failure Assessment (SOFA) en de Acute Physiology and Chronic Health Evaluation (APACHE II), zijn afgeleid van algemene IC-cohorten en slagen er vaak niet in om de complexe hemodynamische, inflammatoire en metabole verstoringen te vatten die specifiek zijn voor deze "dubbele insult"-populatie. Bovendien zijn bestaande machine learning (ML)-modellen voor deze demografische groep grotende \text{g}$ ontwikkeld en getest in geïsoleerde cohorten, waarbij een robuuste evaluatie van de transporteerbaarheid van kenmerken over geografisch en klinisch verschillende populaties ontbrak. Er is een kritieke behoefte aan een interpreteerbare, datagestuurde tool die variabelen gebruikt die routinematig worden verzameld binnen de eerste 24 uur van IC-opname om vroege risicostratificatie mogelijk te maken.

Methodologie
Deze retrospectieve cohortstudie maakte gebruik van een twee-fasen benadering bestaande uit een derivatiecohort uit de MIMIC-IV database (VS-gebaseerd) en een onafhankelijk extern validatiecohort uit het Fuyang Second People's Hospital (China).

1. Databronnen en Populatie:

   • Derivatiecohort: 2.519 patiënten met cirrose en sepsis uit MIMIC-IV (v3.1), gesplitst in een trainingsset (n=1.763) en een interne validatieset (n=756).
   • Extern Cohort: 264 patiënten uit een Chinees tertiair ziekenhuis.
   • Inclusiecriteria: IC-verblijf ≥24 uur, gedocumenteerde cirrose en sepsis (via ICD-9/10 codes), en volledige gegevens voor essentiële variabelen.
   • Uitkomstmaat: In-hospital mortaliteit door alle oorzaken.
   • Predictoren: Beperkt tot gegevens beschikbaar binnen de eerste 24 uur van opname, inclusief demografie, comorbiditeiten, interventies (CRRT, mechanische ventilatie), ernstscores (SOFA, APACHE II), vitale functies en initiële laboratoriumparameters.

2. Kenmerkselectie en Preprocessing:

   • Variabelen met >20% ontbrekende gegevens werden uitgesloten.
   • Ontbrekende gegevens (≤20%) in de trainingsset werden behandeld via multiple implicatie (mice package, m=5).
   • Continue variabelen werden Winsorized bij de 1e en 99e percentielen om de invloed van uitschieters te beperken.
   • LASSO Regressie: Toegepast op 36 kandidaat-variabelen om de meest robuuste predictoren te selecteren, waarbij 13 kenmerken met niet-nul coëfficiënten werden behouden: leeftijd, CRRT, SOFA-score, APACHE II-score, hartslag, witte bloedcelcount, INR, ALT, totaal bilirubine, pO₂, lactaat, glucose en bloedureumstikstof (BUN).

3. Modelontwikkeling:

   • Zeven ML-algoritmen werden getraind op de 13 geselecteerde kenmerken: XGBoost, LightGBM, Random Forest (RF), Logistische Regressie (LR), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) en Decision Tree (DT).
   • Hyperparameters werden geoptimaliseerd via vijf-voudige kruisvalidatie en grid search.
   • Interpreteerbaarheid: Het optimale model (XGBoost) werd gedecodeerd met behulp van SHAP (SHapley Additive exPlanations) waarden om de globale kenmerkbelangrijkheid te bepalen en dosis-responsrelaties te visualiseren.

4. Strategie voor de Beoordeling van Transporteerbaarheid:

   • In het licht van de significante baseline heterogeniteit tussen de Amerikaanse en Chinese cohorten (bijv. leeftijd, comorbiditeitslast, ernstscores), hebben de auteurs het bevroren 13-variabele model niet simpelweg toegepast.
   • In plaats daarvan identificeerden zij de top 5 kenmerken op basis van de globale SHAP-belangrijkheidsrangschikking: totaal bilirubine, INR, APACHE II-score, lactaat en pO₂.
   • Een parsimoneus 5-variabele XGBoost-model werd gereconstrueerd en specifiek getraind op het externe Chinese cohort om de transporteerbaarheid van deze kernprognostische signalen te beoordelen.

Belangrijkste Resultaten

• Modelprestaties (Interne Validatie):

  • Het XGBoost-model vertoonde een superieure discriminatievermogen vergeleken met andere algoritmen, met een AUROC van 0,840 (95% CI 0,811–0,868) in de interne validatieset.
  • Het presteerde beter dan RF (0,829), LightGBM (0,827) en LR (0,797).
  • Calibratiecurves toonden uitstekende overeenstemming tussen voorspelde en geobserveerde mortaliteit, en Decision Curve Analysis (DCA) bevestigde een hoger netto klinisch voordeel over een breed drempelwaarschijnlijkheidsbereik (0,1–0,6).

• Kenmerkbelangrijkheid (SHAP-analyse):

  • De top 10 predictoren die mortaliteitsrisico drijven waren: totaal bilirubine, INR, APACHE II-score, lactaat, pO₂, leeftijd, SOFA-score, ALT, BUN en hartslag.
  • SHAP-afhankelijkheidsplots toonden intuïtieve dosis-responsrelaties: verhoogd bilirubine, INR, lactaat en APACHE II-scores waren positief geassocieerd met een verhoogde mortaliteit, terwijl hogere pO₂-niveaus een beschermend effect uitoefenden.

• Transporteerbaarheid (Externe Validatie):

  • Het externe Chinese cohort vertoonde significante verschillen met het MIMIC-IV cohort, waaronder een jongere leeftijd, een lagere prevalentie van comorbiditeiten (hypertensie, CAD, COPD) en lagere baseline ernstscores.
  • Het parsimoneus 5-variabele model (Totaal Bilirubine, INR, APACHE II, Lactaat, pO₂) bereikte een AUROC van 0,857 (95% CI 0,796–0,918) in het externe cohort.
  • Deze prestatie weerspiegelde de resultaten van de interne validatie en presteerde significant beter dan de standalone SOFA- en APACHE II-scores.
  • De kalibratie was uitstekend in het hoog-risico stratum (>0,6 waarschijnlijkheid), hoewel een lichte onderschatting werd waargenomen in de laag- tot intermediaire risicobereiken.

Significantie en Claims
Het artikel beweert dat een zeer gefocuste set pathofysiologische signalen voldoende is voor vroege mortaliteitsvoorspelling bij patiënten met cirrose en sepsis. De primaire bijdragen zijn:

1. Ontwikkeling van een Interpreteerbaar Model: De studie biedt een XGBoost-model dat een hoge discriminatie (AUROC ~0,84–0,86) bereikt met slechts variabelen die beschikbaar zijn binnen de eerste 24 uur van de IC-opname.
2. Demonstratie van Cross-Populatie Transporteerbaarheid: Door een parsimoneus model te reconstrueren met de top 5 SHAP-gerangschikte kenmerken, demonstreren de auteurs dat kernprognostische signalen (leverfunctiemarkers, coagulatiestatus, metabole crisis en zuurstofatie) robuuste predictoren blijven over verschillende etnische en klinische populaties (VS vs. China).
3. Superioriteit aan Conventionele Scores: Het 5-variabele ML-model presteerde consistent beter dan traditionele ernstscores (SOFA, APACHE II) in zowel de interne als externe setting.
4. Klinische Bruikbaarheid: Het model biedt een praktische, aan het bed bruikbare tool voor vroege risicostratificatie, wat potentieel kan bijdragen aan tijdgevoelige therapeutische interventies voor deze hoog-risicopopulatie.

De auteurs vermelden beperkingen, waaronder het retrospectieve karakter van de studie, het gebruik van een gereconstrueerd model in plaats van een bevroren algoritme voor externe validatie, en de oorsprong uit één enkel centrum voor het externe cohort. Zij concluderen dat hoewel de tool veelbelovend is, toekomstige multicenter prospectieve studies en integratie in real-time EHR-workflows noodzakelijk zijn om de bruikbaarheid te bevestigen.