Explainable machine learning for clinical phenotyping and mortality prediction in critically ill patients with cancer
这项多中心回顾性研究利用 MIMIC-IV 和 eICU 数据库识别出四种不同的临床表型，并开发了一个可解释的 XGBoost 模型，该模型能够利用前 24 小时内常规获取的临床数据，有效预测重症癌症患者的早期住院死亡率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当癌症患者在重症监护室面临突发的生命危险时，医疗团队面临着一个复杂的难题。这些患者并非一个单一的群体；他们带着不同类型的肿瘤、各异的体能水平以及对治疗的独特反应而来。由于这种多样性，用于衡量患者病情严重程度的标准工具往往无法准确预测谁能生存，谁会死亡。这些传统工具假设身体对疾病的反应是呈直线且可预测的，但癌症患者的现实情况却要复杂得多。他们的身体正同时与癌症、治疗副作用以及急性危机进行着搏斗。临床医生需要一种方法来穿透这种复杂性，以识别哪些患者可以通过强化护理康复，哪些患者正接近生命的终点，从而确保资源的合理利用，并让家属获得诚实的指导。
为了解决这个问题，来自潍坊人民医院的研究人员转向了一个庞大的真实世界医疗记录库，其中包含了来自美国超过24,000名危重癌症患者的数据。他们并没有要求医生去猜测模式，而是让计算机程序完全基于数据本身对患者进行分组。通过使用一种称为“无监督聚类”的方法，计算机分析了患者入住前24小时内的28项常规测量指标，例如心率、呼吸频率和血液检测结果。在没有任何人类指令说明寻找目标的条件下，算法发现了四种截然不同的患者类型。第一组规模较大且相对稳定，表现出轻微的应激迹象，住院死亡风险较低。接下来的两组显示出日益增加的器官压力和中等程度的死亡风险。最后一组规模最小但最为危险；这些患者处于严重的器官衰竭状态，高度依赖呼吸机和药物来维持血压，死亡率接近50%。这一发现表明，即使在混乱的癌症患者群体中，也存在可以被早期识别的清晰恶化模式。
研究人员随后构建了一种新型预测工具，用于预测患者是否能生存。他们使用了名为XGBoost的一种强大的机器学习技术，该技术旨在处理数据中复杂的非线性关系，而不像依赖简单直线数学的旧评分系统那样。计算机从第一组患者中学习，然后在来自不同医院的完全独立的另一组患者身上进行了测试，以观察其在现实世界中的表现。结果显示，该模型的表现显著优于目前医院使用的标准严重程度评分。它能够以极高的准确度正确区分生存者与非生存者，证明了它能够学习患者身体衰竭过程中那些微妙而复杂的规律。
至关重要的是，团队并未止步于仅给出一个数字的“黑箱”式预测。他们使用了一种称为SHAP的技术来打开这个“黑箱”，解释计算机做出决策的具体原因。这项分析揭示了驱动死亡预测的最重要因素不仅是癌症本身，还有身体挣扎的具体迹象：高水平的血尿素氮、快速呼吸、机械通气需求以及支持血压的药物使用。解释还显示，这些风险并非呈直线增长。例如，患者的呼吸频率可能会轻微增加而不会立即产生危险，但一旦超过某个阈值，死亡风险就会剧增。同样，血尿素氮水平起初可能尚可控制，但一旦进入较高范围，就会预示着更为严重的危机。这些发现为医生提供了更清晰的图像，展示了患者病情从可控转向危重的“临界点”。
虽然这项研究为理解和预测这些脆弱患者的预后提供了一种充满前景的新方法，但作者谨慎地指出，这只是一个起点，而非最终解决方案。该模型是基于北美医院的数据构建的，并且依赖于入院第一天内可获得的信息。它尚未考虑到肿瘤的具体遗传细节或患者癌症治疗的完整病史。研究人员建议，该工具最终可以帮助临床团队就治疗目标与家属进行更具信息量的沟通，从而帮助避免对那些过于虚弱而无法康复的患者进行无效治疗，同时也确保那些能从中受益的患者得到救治。这项工作证明，通过倾听数据而非将其强行归入旧有的类别，医学可以开始洞察癌症患者危重病症的真实且复杂的本质。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。