First-24-hour machine learning for 30-day mortality prediction in ICU trauma patients: development in MIMIC-III and cross-database evaluation in MIMIC-IV

技术摘要：基于 ICU 创伤患者入院前 24 小时数据的 30 天死亡率预测机器学习研究

问题陈述
ICU 创伤患者表现出显著的临床异质性，使得早期风险分层具有挑战性。虽然传统的严重程度评分捕捉到了重要的负担组成部分，但它们往往无法体现表征早期恶化的非线性相互作用和短期生理轨迹。该领域现有的机器学习（ML）研究经常受到方法论局限性的影响，包括使用在预测时无法获取的变量（时间泄露）、仅依赖内部验证，以及过度强调准确率或 AUROC，而非更适用于不平衡结局的指标。此外，跨数据库验证仍不常见，限制了模型在不同临床时代和数据库结构之间可迁移性的证据。本研究旨在建立一个稳健的早期预警框架，该框架仅利用进入 ICU 后前 24 小时内可获得的信息来预测 30 天死亡率，同时在不同版本的 MIMIC 数据库中对性能进行严格评估。

研究方法
本研究采用回顾性队列设计，使用了 MIMIC-III 和 MIMIC-IV 数据库。

• 队列定义： 入组标准为具有创伤相关诊断代码的成年患者（18–89 岁）。预测窗口严格限定在进入 ICU 后的前 24 小时。排除在 24 小时内死亡、康复或出院的患者，以确保观察窗口的完整性。目标结局为 ICU 入院后 30 天内的死亡。
• 特征构建： 预测因子被限制在前 24 小时内，以防止时间泄露。变量包括人口统计学、神经系统、呼吸系统、血液动力学、肾脏、代谢、血液学及治疗强度指标。对于重复测量的变量，计算了时间统计量（均值、最小值、最大值、标准差、首次/末次值、变化量、斜率）和测量次数。还纳入了具有临床意义的比率（如肌酐与尿素氮比值）和交互项。
• 模型开发 (MIMIC-III)：
  • 采用了 80:20 的患者级拆分（3,411 例训练集，853 例留出集）。
  • 使用 XGBoost 训练了六种候选特征配置。
  • 基于留出子集中最高的精确率-召回率曲线下面积（AUPRC），选择了“全扩展时间统计量”（all-expanded temporal）配置。
  • 超参数包括 1,100 个估计器、最大深度为 5 以及特定的正则化设置。在此阶段的内部选择过程中未应用类别权重。
  • 通过最大化袋外（out-of-fold）预测的 F1 分数来确定操作阈值（0.3282）。
• 跨数据库评估 (MIMIC-IV)：
  • 建立了由 228 个预测因子组成的协调特征空间（MIMIC-III 和 IV 共有的特征）。
  • 使用这 228 个特征在完整的 MIMIC-III 队列（4,264 名患者）上重新拟合了一个新的 XGBoost 模型，并引入了类别权重以解决不平衡问题。
  • 该模型在 MIMIC-IV 的 13,747 次 ICU 入住记录上进行评估，且在评估过程中未使用 MIMIC-IV 的结局数据进行任何模型开发、超参数调优或重新校准。
• 评估指标： 主要指标为 AUPRC（由于类别不平衡）。次要指标包括 AUROC、Brier 分数、校准曲线以及用于解释性的 SHAP（SHapley Additive exPlanations）。

关键结果

• 内部性能 (MIMIC-III 留出集)： 所选模型实现了 0.5563 (95% CI: 0.4720–0.6436) 的 AUPRC 和 0.8633 (95% CI: 0.8306–0.8941) 的 AUROC。Brier 分数为 0.0857。在选定阈值下，灵敏度为 51.3%，特异度为 92.0%。
• 跨数据库性能 (MIMIC-IV)： 在 MIMIC-IV 中评估的协调模型实现了 0.4952 (95% CI: 0.473–0.519) 的 AUPRC 和 0.8249 (95% CI: 0.816–0.834) 的 AUROC。Brier 分数为 0.109。
• 校准度： 在 MIMIC-IV 中，校准呈现单调性，但在高风险水平表现出递增的过度预测现象。在最高预测风险十分位数中，平均预测概率为 0.7352，而实际观察到的死亡率为 0.5651。
• 可解释性 (SHAP)： 年龄是最具影响力的预测因子，其次是呼吸频率测量频率、最大格拉斯哥昏迷评分 (GCS)、24 小时尿量和呼吸频率变异性。模型识别出了符合临床逻辑的关联，例如较低的 GCS、较低的尿量以及升高的乳酸与较高的死亡风险相关。

意义与声明
本文声称，记录在进入 ICU 后前 24 小时内的临床信息对于不同版本的 MIMIC 数据库中的 30 天死亡率预测仍具有价值。研究表明，一个协调后的机器学习框架在无需针对目标数据进行重训的情况下，迁移到新数据库版本时仍能保持判别能力（AUROC > 0.82）。

然而，作者明确将这些发现界定为研究阶段的预测框架，而非已部署的临床模型。他们强调了限制其泛化能力的几项局限性：

1. 内部估计的乐观性： 由于同一留出子集既用于特征配置选择，又用于性能报告，因此内部性能指标可能过于乐观。
2. 非等同模型： 跨数据库性能的下降不能完全归因于数据集偏移，因为跨数据库模型在特征空间（228 对 259 个预测因子）、训练样本量和类别权重方面存在差异。
3. 校准问题： 模型在 MIMIC-IV 中的高风险水平处存在过度预测，且原始概率未针对目标人群进行校准。
4. 文档记录与可重复性： 特征映射文档的不完整以及队列构建方式的差异（例如对重复住院的处理）限制了研究的可重复性。
5. 单中心来源： 两个数据库均源自同一医疗机构，这限制了其向其他机构的外部有效性。

作者总结道，虽然前 24 小时的数据具有信息量，但在临床实施之前，仍需要进行完全独立的模型选择、可重复的特征协调、目标人群校准以及多中心验证。