作者投稿
专家审稿
编辑办公
邮件订阅
RSS
An Interpretable Machine Learning Model for Predicting In-hospital Death Risk in Patients with Cardiac Arrest: Based on US Medical Information Mart for Intensive Care Database Ⅳ 2.0
-
摘要:目的 构建可预测心脏骤停患者住院期间死亡风险的机器学习模型，并对其进行解释。方法 提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care database Ⅳ，MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资料及住院期间转归，基于机器学习算法构建6种可预测心脏骤停患者院内死亡风险的模型，包括XGBoost模型、轻量级梯度提升机(light gradient boosting machine, LGBM)模型、决策树(decision tree, DT)模型、K近邻(K-nearest neighbor，KNN)模型、Logistic回归模型、随机森林(random forest, RF)模型。采用受试者操作特征(receiver operator characteristic, ROC)曲线、临床决策曲线及校准曲线对模型进行评价，并采用Shapley加性解释(Shapley additive explanation, SHAP)算法评估不同临床特征对最优模型的影响，以增加模型的可解释性。结果 共1465例符合纳入与排除标准的心脏骤停患者入选本研究。其中住院期间存活773例、死亡692例。经筛选，共纳入82个临床特征用于机器学习模型构建。模型评价结果显示，相较于其余5种模型，LGBM模型预测心脏骤停患者院内死亡的曲线下面积(area under the curve，AUC)更高[0.834(95% CI: 0.688~0.894)]，且相对于Logistic回归模型、XGBoost模型，其对死亡风险的预测准确性更高(校准度：0.166)，临床决策性能更优，整体性能最佳。SHAP算法分析显示，对LGBM模型输出结果影响最大的3个临床特征分别为格拉斯哥睁眼反应评分、碳酸氢盐水平、白细胞计数。结论 基于大型公共医疗卫生数据库建立的可预测心脏骤停患者住院期间死亡风险的机器学习模型中，LGBM模型性能最优，其可辅助临床进行更高效的疾病管理和更精准的医疗干预。
-
关键词:
- 心脏骤停 /
- 预测模型 /
- 机器学习 /
- SHAP算法 /
- 美国重症监护医学信息数据库
Abstract:Objective To develop and validate an interpretable machine learning model based on clinical characteristics to predict the risk of in-hospital death in patients with cardiac arrest.Methods First clinical data of cardiac arrest patients admitted to ICU within 24 h and outcomes during hospitalization were extracted from Medical Information Mart for Intensive Care database Ⅳ (MIMIC-Ⅳ) 2.0. Six models predicting in-hospital death risk of cardiac arrest patients were constructed based on machine learning algorithm: XGBoost model, light gradient boosting machine (LGBM) model, decision tree (DT) model, K-nearest neighbor (KNN) model, Logistic regression model, and random forest (RF) model. Receiver operator characteristic (ROC) curve, clinical decision curve and calibration curve were used to evaluate the 6 models. Shapley additive explanation (SHAP) algorithm was used to explain and evaluate the effects of different clinical features on the optimal model to increase its interpretability.Results A total of 1465 patients with cardiac arrest who met inclusion and exclusion criteria were included in the study. Among them, 773 patients survived and 692 died during hospitalization. After screening, a total of 82 clinical features were included for machine learning model construction. Compared with the other five models, the LGBM model had a higher area under the curve for predicting in-hospital death in cardiac arrest patients [0.834(95% CI: 0.688-0.894)], higher prediction accuracy for the risk of death than the Logistic regression model and XGBoost model (calibration degree: 0.166), better clinical decision performance, and displayed optimal overall performance. SHAP algorithm analysis showed that the three clinical features that had the greatest impact on the output of LGBM model were Glasgow eyes score, bicarbonate level and white blood cell count.Conclusion Based on a large public medical and health database, a machine learning model named LGBM has the best performance to predict the risk of in-hospital death in patients with cardiac arrest, which will be helpful to assist more efficient clinical disease management and more precise medical intervention. -
克罗恩病(Crohn's disease，CD)是一种消化道慢性非特异性炎症性肠病(inflammatory bowel disease，IBD)，在胃肠道的任何部位均可发生，但多发于末端回肠和右半结肠。CD病变呈节段性、跳跃性、跨壁性分布，与正常肠段相互间隔，其主要临床症状为腹痛、腹泻、体质量下降等。近年来，CD的发病率逐年升高，亚洲国家CD的发病率为0.54/10万[1]。CD病程迁延，具有复发倾向，肠腔狭窄作为其最重要的并发症，严重影响患者的生活质量和预后。脂肪组织，特别是肠系膜脂肪组织，可通过各种机制影响CD疾病进程，尤其是促进肠道炎症及肠腔狭窄的潜在作用受到越来越多关注[2]。
1. 肠系膜脂肪组织包绕与CD发病机制
肠系膜脂肪组织是指位于肠周间隙的内脏脂肪组织，在CD发病中具有重要作用。1932年，Crohn首次描述了CD肠系膜脂肪组织包绕或“爬行脂肪”现象[3]，即脂肪组织自肠系膜向病变肠段延伸并部分包绕或覆盖肠管[4]。在手术过程中，“爬行脂肪”现象有助于术者区分病变严重的肠管，判定手术切除的边缘[5]。尽管在20世纪30年代早期，肠系膜脂肪组织包绕已被描述为CD的一个特征，但其功能意义直到近年来才受到关注。
1.1 肠系膜脂肪组织包绕的形成机制
关于CD肠系膜脂肪组织包绕的形成机制，目前存在两种主流假说。
第一种假说是脂肪细胞的迁移。转化生长因子(transforming growth factor，TGF)在CD的发病机制中具有重要意义，在CD肠纤维化过程中发挥重要作用，是研究最多的分子。近期研究显示，CD患者肠黏膜的细胞因子会出现不适当表达，如常见TGF-β过表达现象[6]。CD患者的病变肠管固有肌层细胞产生了一种细胞外基质支架，该支架与周围覆盖的肠系膜脂肪组织直接在空间上接触。该支架内含有纤连蛋白，其受TGF-β1调控表达增加，而阻断位于前脂肪细胞表面的纤连蛋白受体可抑制脂肪细胞的迁移。由此可见，肌层细胞衍生的细胞外基质触发了前脂肪细胞从肠系膜脂肪中迁移出来，而纤连蛋白正是导致其迁移的主要因素。前脂肪细胞迁移、包绕在病变肠管周围变成脂肪细胞，形成了特征性的肠系膜脂肪包绕征象[7]。
第二种假说是肠道微生物群的易位。Ha等[8]在CD患者肠系膜脂肪组织中发现了微生物群，主要由无辜梭菌组成，认为CD的透壁炎症可促进肠系膜脂肪组织与易位肠道微生物相互作用。由于病变肠管周围的肠系膜脂肪组织中富含免疫细胞浸润，包括T细胞、B细胞和巨噬细胞，推测易位菌群可激活相关免疫反应，加重CD肠道炎症程度，导致肠系膜脂肪组织的重塑和纤维化[9]。
1.2 肠系膜脂肪组织包绕在CD发病中的意义
肠系膜脂肪组织包绕可加重CD肠道炎症和肠腔狭窄程度。Sheehan等[5]将25例CD患者的27段病变肠段标本与组织病理切片相比较，结果显示肠系膜脂肪组织包绕的存在与CD肠壁厚度增加、黏膜溃疡和跨壁炎症相关，脂肪组织包绕区的肠壁厚度显著增加(7.70 mm比4.62 mm，P＜0.01)，而内径显著减小(8.11 mm比13.59 mm，P＜0.05)，说明肠系膜脂肪组织包绕与肠腔狭窄形成相关。Madeira等[10]的研究显示，CD肠系膜脂肪组织包绕中的脂肪干细胞具有间皮特征，可呈递抗原并协调免疫反应，导致CD炎症加重。Mao等[11]的研究证实，CD患者肠系膜脂肪组织可促进肠道肌纤维细胞增生，从而导致病变肠腔狭窄。研究显示，内脏脂肪增多是CD患者肠切除术后复发的独立预测因子，内脏脂肪表面积＞130 cm2的患者(在横断面CT图像第3腰椎水平) 手术范围更广、手术时间更长、术中失血更多，术后肠梗阻风险更高[12-13]。由此可见，CD肠系膜脂肪组织包绕与肠道炎症和肠腔狭窄密切相关。
2. 肠系膜脂肪组织包绕的影像学评估
CD诊断需综合评估临床症状、实验室检查和影像学数据。MRI、CT和超声等影像学方法对于CD的诊断、疗效评估及预后判断具有重要意义[14]。多数CD患者发病年龄早，作为缓解期与活动期互相交替的疾病，CD在临床诊疗过程中需进行终生随访评估。CD患者的治疗目标正从临床症状的改善发展至通过内窥镜和影像学方法对黏膜愈合或组织愈合进行客观测量[15]。
2.1 MRI
在CD患者的MRI图像中，可以清晰地显示出环绕在病变肠管周围的“假性肿块”——即增厚的肠系膜脂肪组织，在T2WI上呈中等信号，增强的T1WI可显示肠系膜内的血管，与肠壁呈垂直排列，即“梳状征”[16]。Rimola等[17]研究肿瘤坏死因子(tumour necrosis factor，TNF) 抑制剂治疗1年后获得内镜缓解的28例CD患者的72段病变肠段，对比治疗前与治疗后MR小肠造影(magnetic resonance enterography，MRE) 结果，发现获得内镜缓解的肠段中仍有27.7%(20/72)MRE显示肠系膜脂肪组织包绕。由此可见，尽管CD患者达到了内镜缓解，MRE仍可检测到肠段内持续存在的异常，因此肠系膜脂肪组织包绕消失有望成为CD组织愈合的新评价指标。
Ziech等[18]的研究纳入了术前接受MRE检查的25例患者的39段小肠或结肠节段，以39段手术标本的组织病理学急性炎症评分(acute inflammation score，AIS)为标准，回顾性分析患者术前的MRE特征，包括T1WI强化表现、肠壁分层情况、肠壁厚度，以及是否存在溃疡、梳状征、肠系膜脂肪组织包绕等现象，以评估CD疾病活动度的价值。多因素分析显示，MRE肠壁厚度与组织病理学AIS呈正相关(P＜0.05)；然而，梳状征和肠系膜脂肪组织包绕与AIS无显著相关性[18]。提示肠系膜脂肪组织包绕与组织病理学活动度不完全平行。Punwani等[19]开展了活动性CD的MRI特征与组织病理学对照研究，在18例CD小肠受累患者中，小肠肠壁增厚与组织病理学急性炎症高度相关(P＜0.001)，但肠系膜脂肪组织包绕与组织病理学急性炎症无显著相关性，与Ziech等[18]的研究结果一致。
2.2 CT
Feng等[20]的研究显示，能谱CT可更敏感地发现CD受累节段的肠系膜脂肪组织改变。40例CD患者与40例其他胃肠道疾病患者均接受能谱CT检查，测量并计算病变最严重肠管周围包绕的肠系膜脂肪组织灰度曲线斜率λHu，并采用CD简易内窥镜评分(simple endoscopic score for Crohn's disease，SES-CD)[21]评估CD严重程度。在CD组患者中，随着肠道炎症程度的加重，肠系膜脂肪组织灰度曲线斜率λHu增加(r=0.66，P＜0.01)，且CD组患者无病变肠段周围肠系膜脂肪组织的斜率λHu显著高于对照组[20]。由此认为，肠系膜脂肪组织包绕是CD的特征性表现，且与内镜下的炎症活动度相关。值得说明的是，内镜下CD炎症活动度并不等同于组织病理学活动度，对于肠系膜脂肪组织包绕评价CD疾病活动度有待进一步研究。
Li等[22]提出了评估CD患者肠系膜脂肪组织包绕程度的新指标——肠系膜脂肪组织包绕指数(mesenteric creeping fat index，MCFI)。CD患者的手术标本中可见肠系膜小血管垂直于肠管表面，并与肠系膜脂肪组织相延续，CT表现为“梳状征”，该解剖学特征是创建MCFI的基础。以肠系膜脂肪组织中的血管为标记，对肠系膜脂肪组织包绕的严重程度进行分级，将肠管短轴分为8个相等的区域，每个区域1分，根据肠系膜血管覆盖范围，肠系膜脂肪组织包裹指数为1~8分。以手术标本作为参考，CT重建图像MCFI与手术标本具有高度一致性(r=0.84，P=0.000)[22]。此外，MCFI与手术标本的组织学纤维化评分具有高度一致性，以MCFI＞3为阈值，鉴别中重度与轻度纤维化的灵敏度为88.1%，特异度为50%。因此，MCFI可准确反映手术标本中肠系膜脂肪组织的包绕程度，是CD肠腔狭窄的一种无创性测量方法。
2.3 超声
随着技术的进步，肠道超声检查在评估IBD患者中的作用逐渐受到重视，其具有非侵入性、低成本和良好的可重复性优势。超声参数如肠壁厚度、肠壁分层结构、肠壁内血流、肠系膜脂肪组织包绕等可提供关于疾病严重程度、缓解或复发及是否存在并发症等信息[23]。超声参数(尤其是肠壁增厚)可显示出与MRI或CT相似的诊断准确性[24-25]。
在肠道超声图像中，肠系膜和肠周脂肪组织的炎症表现常显示为包绕肠道的肿块状结构，且这种炎性脂肪组织是提示肠道存在炎症的第一线索。其通常表现为高回声，由肠系膜向肠管延伸，逐渐包裹病变肠管或周围肠瘘，肠系膜脂肪组织的纤维脂肪增殖也称为“爬行脂肪”[26]。
Sævik等[27]对40例处于活动期的CD患者进行前瞻性超声和内窥镜检查，以SES-CD[21]作为参考标准，纳入了7个超声变量(包括肠壁厚度、累及长度、彩色多普勒、狭窄、瘘管、肠壁分层结构和肠系膜脂肪组织包绕)，采用多元线性回归进行分析，其结果排除了长度、瘘管、狭窄，由于观察者间一致性较差，也排除了分层结构和肠系膜脂肪组织包绕，最终通过研究构建和验证了CD简单超声评分，包括肠壁厚度和彩色多普勒，与内窥镜评估CD疾病活动度具有很好的相关性(r=0.83，P＜0.001)，并在124例CD患者队列研究中得到了验证(r=0.78，P＜0.001)。
一项研究系统评价了现有超声指标评估IBD患者疾病活动度的质量和可靠性，结果显示最常用的评估参数是肠壁厚度、多普勒信号和肠壁分层结构[28]。研究结果显示，肠系膜脂肪组织包绕与CD疾病活动度并不具有良好的一致性，与Ziech等[18]的研究结果一致。但Stenczel等[23]认为，肠系膜脂肪组织包绕是活动性CD的特征，这种改变在CD活动期出现，在CD缓解期完全或部分消失。此外，Maconi等[29]对185例CD患者进行肠道超声检查，Logistic回归分析显示，肠内瘘(OR=13.5)、肠壁增厚(OR=7.6)、C反应蛋白水平(OR=6.1)、CD活动指数(OR=3.1)、病变肠壁长度(OR=2.6)等评价临床CD活动度的指标与肠系膜脂肪组织改变显著相关；111例静止期CD患者中，22例显示肠系膜脂肪组织包绕，与无肠系膜脂肪组织改变的静止期患者相比，此类患者未表现出复发风险增加(包括肠壁厚度和C反应蛋白水平)。由此可见，肠道超声显示CD患者存在肠系膜脂肪组织包绕特征，其与疾病活动度是否相关，仍有待进一步研究。
肠道超声可清晰显示与CD肠腔狭窄相关的形态变化，包括病变肠段的肠壁增厚，通常伴有充血和肠系膜脂肪组织包绕[15]。应用多普勒和静脉造影剂可增强超声检查效果，对比增强超声可评估肠壁及肠壁外结构的血管，可定性研究肠壁强化模式，亦可通过软件生成定量参数，包括峰值增强时间、最大增强百分比和时间-强度曲线下面积，通过定性或定量分析评估肠壁内外的血流情况[30]。根据血流的丰富程度，超声造影可区分炎症性或纤维性狭窄，Quaia等[31]的研究证实了超声造影在鉴别肠壁纤维化与炎症性CD方面的能力，其灵敏度分别为75%和91.67%，特异度分别为62.5%和100%。但CD患者肠系膜脂肪组织改变与肠控狭窄发生和预后是否相关，目前仍不确定。
3. 小结
肠系膜脂肪组织包绕是CD的一种特殊征象，与CD肠道炎症和肠腔狭窄密切相关。MRI、CT和超声等影像学检查手段均可显示肠系膜脂肪组织包绕征象，也可较好地评估肠道炎症和肠腔狭窄，超声造影有助于鉴别肠道炎症性病变与纤维性病变。然而，肠系膜脂肪组织包绕与CD炎症活动度和肠腔狭窄的发生，以及疾病预后之间的关系仍有待进一步探索，期待未来更多的研究、更新的技术可以聚焦该领域，以进一步探究肠系膜脂肪组织包绕与CD的关系。
作者贡献：龚欢欢负责数据统计、图表绘制及论文撰写；柯晓伟负责数据整理及论文修订；李湘民、王爱民负责研究设计及写作指导。利益冲突：所有作者均声明不存在利益冲突 -
![]()
图 5 SHAP汇总图
A.不同临床特征对模型输出结果影响性的SHAP值；B.各临床特征的平均SHAP绝对值
SHAP：Shapley加法解释; GCS: APSⅢ、SOFA: 同表 1表 1 1465例心脏骤停患者基线主要临床资料
指标 死亡组(n=692) 存活组(n=773) P值 年龄(x±s，岁) 67.57±16.35 65.57±16.15 0.019 女性[n(%)] 286(41.3) 290(37.5) 0.136 心率(x±s，次/min) 93.66±22.36 87.44±22.19 ＜0.001 呼吸频率(x±s，次/min) 21.25±6.50 20.01±6.22 ＜0.001 体温[M(P25, P75), ℃] 36.50(35.80，36.89) 36.72(36.33，37.06) ＜0.001 糖尿病[n(%)] 113(16.3) 141(18.2) 0.335 心力衰竭[n(%)] 248(35.8) 345(44.6) 0.001 肾衰竭[n(%)] 395(57.1) 340(44.0) ＜0.001 肾脏替代治疗[n(%)] 97(14.0) 74(9.6) 0.008 使用多巴胺[n(%)] 125(18.1) 91(11.8) 0.001 使用肾上腺素[n(%)] 147(21.2) 113(14.6) 0.001 GCS评分[M(P25, P75), 分] 10(3，15) 13(9，15) ＜0.001 SOFA评分(x±s，分) 9.82±4.32 7.60±4.38 ＜0.001 LODS评分(x±s，分) 9.24±3.80 6.59±3.75 ＜0.001 APSⅢ评分(x±s，分) 81.63±29.39 59.34±27.76 ＜0.001 SIRS评分[M(P25, P75), 分] 3(3，4) 3(2，3) ＜0.001 住院时间[M(P25, P75), d] 5.76(2.77，11.28) 11.88(6.97，22.05) ＜0.001 GCS：格拉斯哥昏迷评分；SOFA: 序贯器官功能衰竭评价；LODS：器官功能障碍逻辑性评分；APSⅢ：急性生理学评分系统Ⅲ；SIRS：全身炎症反应综合征 
下载: 导出CSV
表 2 6种机器学习模型预测心脏骤停患者院内住院死亡风险的性能比较
预测模型 AUC(95% CI) 灵敏度(95% CI, %) 特异度(95% CI, %) PLR(95% CI) NLR(95% CI) KNN模型 0.748(0.659~0.815) 71(67.4~82.2) 63(57.7~73.6) 1.93(1.662~2.215) 0.46(0.152~0.694) DT模型 0.687(0.581~0.778) 61(59.3~75.5) 74(66.9~83.9) 2.43(1.790~2.683) 0.52(0.263~0.821) RF模型 0.776(0.650~0.820) 59(55.1~72.9) 84(66.8~88.4) 3.77(2.825~4.556) 0.48(0.189~0.701) Logistic回归模型 0.809(0.661~0.853) 76(66.8~84.7) 75(52.2~81.4) 3.06(2.549~4.018) 0.32(0.125~0.682) XGBoost模型 0.827(0.679~0.875) 75(64.5~80.1) 78(63.8~82.0) 3.36(2.699~4.343) 0.32(0.119~0.668) LGBM模型 0.834(0.688~0.894) 70(63.2~81.0) 81(65.9~85.4) 3.64(2.776~4.626) 0.37(0.165~0.694) KNN、DT、RF、LGBM：同图 2；AUC：曲线下面积；PLR：阳性似然比；NLR：阴性似然比
下载: 导出CSV
-
[1] 陈红, 张重阳, 徐俊祥. 急诊院前、院内心脏骤停患者心肺复苏效果分析[J]. 河北医药, 2017, 39: 2475-2477. DOI: 10.3969/j.issn.1002-7386.2017.16.019 [2] Chen J, Mei Z, Wang Y, et al. A nomogram to predict in hospital mortality in post-cardiac arrest patients: a retrospective cohort study[J]. Pol Arch Intern Med, 2023, 133: 16325
[3] Ngiam KY, Khor IW. Big data and machine learning algorithms for health-care delivery[J]. Lancet Oncol, 2019, 20: e262-e273. DOI: 10.1016/S1470-2045(19)30149-4
[4] Rauschert S, Raubenheimer K, Melton PE, et al. Machine learning and clinical epigenetics: a review of challenges for diagnosis and classification[J]. Clin Epigenetics, 2020, 12: 51. DOI: 10.1186/s13148-020-00842-4
[5] Lee YW, Choi JW, Shin EH. Machine learning model for predicting malaria using clinical information[J]. Comput Biol Med, 2021, 129: 104151. DOI: 10.1016/j.compbiomed.2020.104151
[6] Hou N, Li M, He L, et al. Predicting 30-days mortality for MIMIC-Ⅲ patients with sepsis-3: a machine learning approach using XGboost[J]. J Transl Med, 2020, 18: 462. DOI: 10.1186/s12967-020-02620-5
[7] Chu J, Leung KHB, Snobelen P, et al. Machine learning-based dispatch of drone-delivered defibrillators for out-of-hospital cardiac arrest[J]. Resuscitation, 2021, 162: 120-127. DOI: 10.1016/j.resuscitation.2021.02.028
[8] 苏枫, 张少衡, 陈楠楠, 等. 基于机器学习分类判断算法构建心力衰竭疾病分期模型[J]. 中国组织工程研究, 2014, 49: 7938-7942. DOI: 10.3969/j.issn.2095-4344.2014.49.012 [9] 张颖莹, 刘怡果, 赵丹, 等. 基于机器学习建立脓毒症心肾综合征患者早期死亡风险预测模型[J]. 中华肾脏病杂志, 2022, 38: 785-793. DOI: 10.3760/cma.j.cn441217-20211126-00113 [10] Stevens RD. Machine Learning to Decode the Electroencephalography for Post Cardiac Arrest Neuroprognostication[J]. Crit Care Med, 2019, 47: 1474-1476. DOI: 10.1097/CCM.0000000000003932
[11] Jennings JB. Can machine learning predict recurrent cardiac arrest?[J]. Resuscitation, 2023, 184: 109704. DOI: 10.1016/j.resuscitation.2023.109704
[12] Blomberg SN, Folke F, Ersbøll AK, et al. Machine learning as a supportive tool to recognize cardiac arrest in emergency calls[J]. Resuscitation, 2019, 138: 322-329. DOI: 10.1016/j.resuscitation.2019.01.015
[13] Kwon JM, Jeon Kh, Kim HM, et al. Deep-learning-based out-of-hospital cardiac arrest prognostic system to predict clinical outcomes[J]. Resuscitation, 2019, 139: 84-91. DOI: 10.1016/j.resuscitation.2019.04.007
[14] Lundberg SM, Erion G, Chen H, et al. From Local Explanations to Global Understanding with Explainable AI for Trees[J]. Nat Mach Intell, 2020, 2: 56-67. DOI: 10.1038/s42256-019-0138-9
[15] 王鑫, 廖彬, 李敏, 等. 融合LightGBM与SHAP的糖尿病预测及其特征分析方法[J]. 小型微型计算机系统, 2022, 43: 1877-1885. https://www.cnki.com.cn/Article/CJFDTOTAL-XXWX202209012.htm [16] Wu TT, Lin XQ, Mu Y, et al. Machine learning for early prediction of in-hospital cardiac arrest in patients with acute coronary syndromes[J]. Clin Cardiol, 2021, 44: 349-356. DOI: 10.1002/clc.23541
[17] 郑萍, 刘宁. 机器学习应用于院外心脏骤停神经系统预后预测模型的系统评价[J]. 中国胸心血管外科临床杂志, 2022, 29: 1172-1180. https://www.cnki.com.cn/Article/CJFDTOTAL-ZXYX202209013.htm [18] 吴秋硕, 陆宗庆, 刘瑜, 等. 机器学习应用于心脏骤停早期预测模型的系统评价[J]. 中国循证医学杂志, 2021, 21: 942-952. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZXZ202108011.htm [19] Mayampurath A, Hagopian R, Venable L, et al. Comparison of Machine Learning Methods for Predicting Outcomes After In-Hospital Cardiac Arrest[J]. Crit Care Med, 2022, 50: e162-e172. DOI: 10.1097/CCM.0000000000005286
[20] Yan J, Xu Y, Cheng Q, et al. LightGBM: accelerated genomically designed crop breeding through ensemble learning[J]. Genome Biol, 2021, 22: 271. DOI: 10.1186/s13059-021-02492-y
[21] 张红莉, 李月琴, 韩磊, 等. 基于LGBM和深度神经网络的HRRP目标识别方法[J]. 探测与控制学报, 2022, 44: 97-103, 114. https://www.cnki.com.cn/Article/CJFDTOTAL-XDYX202202017.htm [22] Rufo DD, Debelee TG, Ibenthal A, et al. Diagnosis of Diabetes Mellitus Using Gradient Boosting Machine (LightGBM)[J]. Diagnostics (Basel), 2021, 11: 1714. DOI: 10.3390/diagnostics11091714
[23] Ge C, Deng F, Chen W, et al. Machine learning for early prediction of sepsis-associated acute brain injury[J]. Front Med (Lausanne), 2022, 9: 962027. http://pubmed.ncbi.nlm.nih.gov/35562803/
[24] Nadolny K, Bujak K, Obremska M, et al. Glasgow Coma Scale score of more than four on admission predicts in-hospital survival in patients after out-of-hospital cardiac arrest[J]. Am J Emerg Med, 2021, 42: 90-94.
[25] 蔡兰兰, 杨增强. 70例心脏骤停后复苏患者格拉斯哥昏迷评分及预后分析[J]. 内科急危重症杂志, 2018, 24: 431-433. https://www.cnki.com.cn/Article/CJFDTOTAL-NKJW201805028.htm [26] Chen YC, Hung MS, Liu CY, et al. The association of emergency department administration of sodium bicarbonate after out of hospital cardiac arrest with outcomes[J]. Am J Emerg Med, 2018, 36: 1998-2004. http://pubmed.ncbi.nlm.nih.gov/29534919/
[27] Celik T, Ozturk C, Balta S, et al. Sodium bicarbonate dilemma in patients with out-of-hospital cardiac arrest: A double-edged sword[J]. Am J Emerg Med, 2016, 34: 1314-1315. http://www.onacademic.com/detail/journal_1000038851198510_6788.html
[28] Kim HJ, Park KN, Kim SH, et al. Association between the neutrophil-to-lymphocyte ratio and neurological outcomes in patients undergoing targeted temperature management after cardiac arrest[J]. J Crit Care, 2018, 47: 227-231. http://www.sciencedirect.com/science/article/pii/S0883944118303708
-
期刊类型引用(5)
1. 王敏，胡兆，徐晓巍，郑思，李姣，姚焰. 融合知识驱动和数据驱动的混合决策模型构建：以室性心动过速病因诊断为例. 协和医学杂志. 2025(02): 454-461 . 
本站查看
2. 吴孟达，毛紫阳，王丹. Shapley值及其应用. 数学建模及其应用. 2024(01): 110-119 . 百度学术
3. 李深，唐霁松，曹颖，刘琳，谭魁，万毅，卿竹君，景渝，谢明莉，彭正良. XGBoost模型分析院内心脏骤停患者恢复自主循环的特征. 临床急诊杂志. 2024(11): 579-585 . 百度学术
4. 胡冬雪，牛承志，赵春雨，赵丽丽，王鑫. 基于机器学习的ICU多发伤患者发生谵妄预测模型的构建与评估. 中华创伤杂志. 2024(11): 1016-1021 . 百度学术
5. 张伟丽，邱晨，宋玉祥，罗云根，宋咪，高远. 机器学习在谵妄风险预测模型构建中的研究进展. 解放军医学院学报. 2023(11): 1292-1296 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 2337
- HTML全文浏览量: 158
- PDF下载量: 154
- 被引次数: 7
