An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study
这项回顾性队列研究开发并验证了一个基于七个常规临床变量的可解释性 XGBoost 机器学习模型，用于预测同时患有心力衰竭和 2 型糖尿病的重症监护患者的早期脓毒症风险，结果显示该模型具有中度的判别能力，并确定急性肾损伤为主要预测因子。
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
在重症监护室（ICU）中，由于风险极高且时间是最宝贵的资源，医生们必须不断在患者的慢性病与新的急性威胁之间进行微妙的权衡。两种最常见且最具挑战性的慢性病是心力衰竭（心脏难以有效地泵血）和2型糖尿病（身体无法妥善管理血糖水平）。当这两种疾病同时存在时，它们会制造出一种脆弱性的“完美风暴”。由于心脏承受的压力和糖尿病带来的代谢紊乱，身体对抗感染的能力已经受损，这使得这些患者更容易发生脓毒症（sepsis）。脓毒症是对感染的一种致命反应，可能迅速导致器官衰竭并导致死亡。由于治疗脓毒症的窗口期很窄，早期识别至关重要，然而目前的工具往往无法在这类特定患者出现预警信号之前及时发现危险。
一组研究人员致力于为这些患者构建一种新型的安全网，一种能够倾听隐藏在患者医疗数据中的细微信号的系统。他们转向了机器学习——这是人工智能的一个分支，计算机通过学习大量的过往案例来识别模式，而不是遵循由人类编写的僵化规则。其目标是创建一个系统，能够观察当患有心力衰竭和糖尿病的患者进入重症监护室时的常规数据，并能以合理的准确度预测他们是否即将发生脓毒症。不同于许多给出答案却不解释原因的复杂“黑箱”计算机模型，该团队希望建立的系统还能“展示其推导过程”，明确指出哪些因素使情况向危险方向倾斜。
研究人员首先从两个包含数千名美国重症监护患者记录的海量公开数据库中收集数据。他们专门针对因心力衰竭和2型糖尿病入院的成年人。从超过9,000名潜在候选人中，他们从一个数据库中筛选出7,806名患者来构建模型，然后在一个包含其他医院的独立组中对模型进行了测试，以观察其在现实世界中的表现。他们查看了患者入住后的前24小时内记录的广泛信息，包括心率和体温等生命体征、血液检测结果，以及患者是否使用了呼吸机。
为了找到最重要的线索，团队并未仅凭猜测哪些因素重要。他们使用了一套严谨的过程来筛选数据，通过比较不同的统计方法，观察哪些变量能一致地指向脓毒症。这一过程将冗长的可能性清单缩减到了仅有的七个关键指标。这些指标包括：患者是否患有急性肾损伤、是否使用机械通气辅助呼吸、白细胞计数、体温、通过标准量表测量的意识水平、血液酸碱平衡指标，以及乳酸水平（一种组织在缺氧时会堆积的物质）。
随后，团队训练了七种不同的计算机算法，让它们从这七个指标中学习。他们测试了每种算法，以确定哪种算法最能区分哪些患者会发展为脓毒症，哪些不会。其中一种被称为XGBoost的算法脱颖而出，表现最为可靠。在初始测试阶段，它正确识别风险的比例约为71%。当研究人员将同一模型应用于另一组来自不同医院的患者时，它保持了相当不错的表现，正确识别风险的比例约为66%。虽然这并非完美，但对于这群此前缺乏专门工具来帮助医生及早发现危险的患者群体而言，这代表了一个意义深远的进步。
这项工作的特别价值在于，研究人员并未止步于预测。他们使用了一种称为SHAP的技术来打开“黑箱”，观察模型是如何做出决策的。他们发现，计算机并非在随机猜测，而是在以数学上的精确性优先考虑那些资深医生也会关注的事项。模型判定，急性肾损伤、意识水平降低以及白细胞计数升高是脓毒症即将来临的最强信号。它还了解到体温在特定方式下具有预警意义：高热和体温过低都是预警信号，而体温正常则是令人安心的。同样，它也识别出高水平的乳酸和对呼吸机的需求会显著增加风险。
研究人员谨慎地指出，尽管他们的模型表现良好，但尚未准备好取代医生的判断或独立做出治疗决策。外部测试表明，虽然该模型很有用，但它并非无懈可击，在日常临床实践中使用之前，还需要在不同的医院和不同的患者群体中进行进一步测试。该研究是一项概念验证，证明了构建一个可解释工具是可能的，该工具利用常规的日常医疗数据来标记高风险的心力衰竭合并糖尿病患者。通过强调肾衰竭、呼吸困难和血液化学变化这一系列预示麻烦的特定组合，这项工作为临床医生提供了一种新方法，帮助他们在这种进展极快、不容忽视的病症面前保持领先一步。
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。