ICU Mortality and LOS Prediction Models Using Machine Learning Based on Both Real and Synthetic Data

技术摘要：基于真实与合成数据的 ICU 死亡率及住院时长（LOS）预测机器学习模型

问题陈述
在资源匮乏的环境下（特别是埃塞俄比亚），开发准确的重症监护病房（ICU）结局机器学习（ML）模型受到两个主要挑战的阻碍：高质量训练数据的稀缺以及显著的类别不平衡。在研究的来自五个埃塞俄比亚公立医院的 10,669 名患者队列中，死亡率仅为 13.9%，这种严重的失衡通常会导致模型偏向多数类（生存者）。此外，由于缺乏特定的实验室检查（如动脉血气、胆红素）以及资源限制影响了及时干预，标准的严重程度指数（如 SAPS-II、SOFA）在这些背景下往往并不适用。虽然深度学习架构（如 Transformer、TCN）在拥有密集时间序列数据的高资源环境下表现出色，但在数据稀疏、呈表格化形式且多为纸质记录的数据受限环境中，其应用受到限制。本研究旨在解决开发能在这些数据受限环境中有效运行的预测工具的需求。

方法论
本研究采用回顾性比较实验设计，使用来自五个埃塞俄比亚公立医院的数据（埃塞俄比亚历 2013–2016 年）。数据集包括 10,669 条成年 ICU 记录，涵盖人口统计学、生命体征、实验室结果和临床结局。

1. 数据预处理与平衡：

   • 剔除了关键行政字段缺失率 >20% 的记录。
   • 缺失数值使用中位数进行填补；分类变量使用众数进行填补。
   • 为解决类别不平衡问题，对多数类（生存者）进行了欠采样，创建了一个包含 2,942 名患者的平衡训练集（50% 死亡率）。这一过程丢弃了 7,631 条原始记录。
   • 异常值被限制在第 1 和第 99 百分位数之间，分类特征进行了标签编码。

2. 合成数据生成：
   评估了三种用于增强真实数据集的不同合成算法：

   • SMOTE-NC（针对名义和连续变量的合成少数类过采样技术）： 通过现有少数类实例及其 k-最近邻之间的线性插值进行生成。它具有计算效率高（2.1 秒）且具有确定性的特点。
   • CTGAN（条件表格生成对抗网络）： 一种专为复杂的非线性表格分布设计的生成器-判别器架构。它计算密集度高（187.4 秒）且具有随机性。
   • VAE（变分自编码器）： 一种概率隐变量模型。在此特定实现中，它在处理混合数据类型方面表现挣扎，导致性能较差。

3. 实验设计：
   模型在三种配置下进行训练：

   • 仅真实数据（RO）： 仅在真实数据上进行训练。
   • 仅合成数据（SO）： 仅在合成数据上进行训练。
   • 混合模式（HY）： 在 80% 真实数据和 20% 合成数据的组合上进行训练。

4. 机器学习算法：
   测试了三种算法，分别用于分类（死亡率）和回归（住院时长 - LOS）：

   • 逻辑回归（基准）
   • 随机森林
   • XGBoost

5. 验证：
   使用了分层 80/20 留出法划分，测试集（n=589）在最终评估前被隔离。通过准确率（Accuracy）、F1 分数、死亡率的 AUC 以及住院时长的平均绝对误差（MAE）和 R² 来评估性能。通过 5×5 次重复分层交叉验证验证了稳定性。

关键结果

• 合成数据质量：

  • CTGAN 展示了卓越的下游效用，在真实测试集上达到了 91.7% 的准确率（相比之下，SMOTE-NC 为 86.4%），尽管其训练时间显著增加。
  • VAE 未能产生预测能力（51.6% 的准确率，接近随机猜测），并被排除在后续的混合实验之外。
  • SMOTE-NC 在保持高相关性和计算效率方面提供了务实的平衡。

• 死亡率预测：

  • 混合模型的表现始终优于仅真实数据和仅合成数据模型。
  • 表现最好的模型是混合配置下的 CTGAN + XGBoost，其准确率达到 0.998（95% CI: 0.995–1.000），F1 分数为 0.996，AUC 为 0.99。
  • SMOTE-NC + 随机森林也实现了极高的准确率（0.996）。
  • 注： 作者明确提醒，这些高准确率数字是基于人工平衡的测试集（50% 死亡率）得出的，并不反映现实世界的类别分布。

• 住院时长（LOS）预测：

  • 混合配置下的 CTGAN + XGBoost 表现最佳，MAE 为 4.08 天（95% CI: 3.58–4.67），R² 为 0.601。
  • 仅在合成数据上训练的 CTGAN + 随机森林 出人意料地超越了仅真实数据的基准模型（MAE 3.76 天），这表明 CTGAN 成功保留了具有临床意义的时间模式。

• 特征重要性：

  • 氧合作用（Oxygenation） 成为主要的预测因子。需氧量（r = 0.327）和 SpO2（r = 0.299）是排名靠前的特征。
  • 血红蛋白 与死亡率的关联微乎其微（r = -0.023，排名 15/19）。
  • 年龄 不是统计学上的显著预测因子（p = 0.39）。
  • SHAP 分析证实，在该特定队列中，氧合变量驱动死亡风险的能力高于血红蛋白或年龄。

意义与主张
本文声称做出了三个主要贡献：

1. 比较性能： 它系统地比较了在资源匮乏的埃塞俄比亚环境下，机器学习模型在真实、合成和混合数据配置下的表现。
2. 特定背景的预测因子： 它识别了针对埃塞俄比亚 ICU 背景的临床预测因子，特别强调了氧合作用是关键因素，同时挑战了其他研究中关于血红蛋白和年龄显著性的结论。
3. 原型开发： 开发了一个交互式 Streamlit 原型，用于向医疗利益相关者展示模型洞察、特征重要性和“假设分析（what-if）”场景。

作者强调，混合建模（结合真实与合成数据）是为数据稀缺且不平衡的资源受限环境创建有效预测模型的可行方案。他们认为，只要验证了生成方法（如 CTGAN 或 SMOTE-NC）的下游效用，合成数据增强可以在不引入显著偏差的情况下提高模型的判别能力。

谦逊态度与局限性
论文对于临床就绪性保持了谦逊的态度：

• 验证状态： 结果基于内部验证（来自五家医院的回顾性数据）。作者明确指出，由于使用了人工平衡的测试集且缺乏在未见机构上的外部验证，如此高的准确率（99.5%）可能是过于乐观的。
• 临床效用： 该原型被描述为仅用于研究演示和假设生成的“概念验证”。它并非经过批准用于临床使用，也不应用于指导患者护理决策。
• 泛化性： 研究结果特定于埃塞俄比亚的公立三级医院，在没有重新校准和外部验证的情况下，不应推广至私立医院、农村设施或其他国家。
• 因果关系： 作者澄清，SHAP 值和特征重要性表示的是相关性而非因果关系。观察到的关系（如 SpO2 与死亡率之间的关系）受到未测量因素（如干预时间或资源可用性）的混杂影响。

研究结论认为，虽然合成数据增强在克服数据稀缺方面显示出前景，但在任何临床部署之前，前瞻性外部验证和实施科学试验是先决条件。