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. -
医联体建设是分级诊疗制度建设的重要载体[1-2]。目前,我国已出台相关政策以规范医联体建设,对于构建合理的分级诊疗体系,提升医疗服务效率、公平性、可及性起到了积极推进作用[3]。急诊科是患者最多、病种最复杂、抢救任务最重的科室,由于医疗资源分布不均衡,大型诊疗中心急诊科患者存在拥挤、滞留现象,影响了危重症患者的救治效率[4-6],故分级诊疗模式的作用愈发凸显。2018年4月,中国急诊专科医联体在北京成立,此后各省、市、地区专科医联体相继成立,在推动急诊患者救治、急诊学科发展和急救技术提升方面起到了积极作用[7-8]。
为促进急危重病救治水平均质化发展,自2019年12月起,北京协和医院急诊科与北京市隆福医院建立合作关系,尝试探索北京协和医院急诊科-北京市隆福医院“点对下游医院多科室”模式的急诊专科医联体建设,合作模式为“点对多”,即北京协和医院(上游医院)急诊科作为一个“点”,与北京市隆福医院(下游医院)ICU、老年医学科、心血管内分泌科、神经内科、呼吸科、消化肾内科、康复医学科及医养结合科等“多”个科室建立合作关系,其中上游医院急诊科危重症患者均转诊至下游医院ICU。在医联体建立初期,转诊患者的安全性、预后存在一定程度的不可预知性。本研究通过对该医联体建立前后1年北京市隆福医院ICU收治患者病情严重程度及预后情况进行分析,探究急诊专科医联体模式在下游医院危重症患者救治中的作用。
1. 资料与方法
1.1 研究对象
回顾性纳入2018年12月—2020年11月北京市隆福医院ICU患者。纳入标准:(1)年龄≥18岁;(2)均为住院危重症患者(根据患者疾病状态、生命体征、辅助检查等综合判断),同一患者连续多次住院时以首次入院情况为主;(3)具有明确的预后信息。排除标准:病情严重程度、临床特征或治疗措施相关指标存在明显缺失者。
根据是否建立急诊专科医联体,将患者分为建立前组(2018年12月—2019年11月)和建立后组(2019年12月—2020年11月)。本研究已通过北京市隆福医院伦理审查委员会审批(审批号:LFYY-2023-11),并豁免患者知情同意。
1.2 研究方法
1.2.1 转诊流程
为保障转诊患者的安全性,建立医联体时,转诊目标人群均为病因相对明确且经过北京协和医院诊疗病情稳定的患者。后续仅为序贯性治疗,由北京协和医院急诊科设立专门联络人,联系患者家属及转诊医院,征得患者及家属同意后转入下游医院相应科室(图 1)。
1.2.2 资料收集
通过住院患者电子病历系统,收集所有患者的临床资料,主要包括:(1) 一般资料:患者来源、年龄、性别、入室诊断、是否为疑难病、入ICU第1天首次生命体征及相关血液学指标、住院时间、住院费用等,其中疑难病的定义为(满足任一项即可):①目前医疗水平了解较少的疾病;②虽为已知疾病,但以当前的技术手段难以确诊;③发病率低,在人群中罕见的疾病。(2)疾病严重程度:急性生理学和慢性健康状况Ⅱ (acute physiology and chronic health evaluation Ⅱ, APACHE Ⅱ)、序贯器官衰竭估计(sequential organ failure assessment, SOFA)。(3)检查/治疗:有创机械通气、中心静脉置管、床旁支气管镜检查、床旁超声检查、连续性肾脏替代治疗(continuous renal replacement therapy, CRRT)、血管活性药物、去甲肾上腺素等,其中床旁支气管镜、床旁超声检查定义为新技术,即急诊专科医联体建立前未开展,而医联体建立后在上游医院医生指导下开展的新检查。(4)临床预后:包括病情好转出院、转至普通病房继续治疗、院内死亡。本研究主要结局指标为院内死亡率。
1.3 检验效能估算
本研究拟纳入ICU患者350例,其中急诊专科医联体建立前126例,急诊专科医联体建立后224例,患者院内死亡率分别为10.3%、12.1%,在检验水准α=0.05的标准下,经计算检验效能为8%。由于本研究结局指标院内死亡率在急诊专科医联体建立前后十分接近,若要达到差异有统计学意义需较大的样本量,故在目前患者例数的情况下,检验效能极低,这从侧面验证了急诊专科医联体建立后未导致患者院内死亡率增加。
1.4 统计学处理
采用SPSS 22.0软件进行统计学分析。计量资料如符合正态分布(如住院时间),以均数±标准差表示,组间比较采用t检验;如不符合正态分布(如年龄、体温、心率等),以中位数(四分位数)表示,组间比较采用Wilcoxon秩和检验。性别、入室诊断等计数资料以频数(百分数)表示,组间比较采用卡方检验。采用多因素Logistic回归分析建立急诊专科医联体对下游医院ICU患者主要临床结局的影响。以P<0.05为差异具有统计学意义。
2. 结果
2.1 一般临床资料
共350例符合纳入与排除标准的ICU患者入选本研究。其中急诊专科医联体建立前组126例,建立后组224例(其中162例为医联体转诊患者)。
建立前组男性76例,女性50例;年龄78.00 (68.25, 84.00)岁。建立后组男性136例,女性88例;年龄68.50(57.00, 79.00)岁。相较于建立前组,建立后组年龄降低(P<0.001),APACHE Ⅱ评分(P=0.005)、SOFA评分(P<0.001)等指标均升高,提示建立后组患者病情更严重,详见表 1。
表 1 急诊专科医联体建立前后下游医院ICU患者主要临床资料比较指标 建立前组(n=126) 建立后组(n=224) P值 男性[n(%)] 76(60.3) 136(60.7) >0.999 年龄[M(P25, P75), 岁] 78.00(68.25, 84.00) 68.50(57.00, 79.00) <0.001 体温[M(P25, P75), °] 36.60(36.40, 36.90) 36.70(36.50, 37.10) 0.097 心率[M(P25, P75), 次/min] 79.50(70.00, 95.75) 88.50(76.75, 102.00) 0.008 收缩压[M(P25, P75), mm Hg] 130.00(118.00, 142.00) 125.00(109.00, 147.00) 0.411 舒张压[M(P25, P75), mm Hg] 69.50(63.00, 79.00) 70.00(61.00, 82.25) 0.496 APACHE Ⅱ评分[M(P25, P75), 分] 15.00(12.00, 22.75) 18.00(14.00, 24.00) 0.005 SOFA评分[M(P25, P75), 分] 3.00(2.00, 6.00) 5.00(3.00, 7.25) <0.001 pH[M(P25, P75)] 7.42(7.38, 7.46) 7.45(7.41, 7.49) 0.001 PaO2[M(P25, P75), mm Hg] 85.00(67.75, 113.00) 87.50(68.75, 112.50) 0.962 PaCO2[M(P25, P75), mm Hg] 38.50(34.00, 43.00) 36.00(31.00, 42.00) 0.101 乳酸[M(P25, P75), mmol/L] 1.50(1.10, 2.50) 1.30(0.90, 1.90) 0.004 白细胞[M(P25, P75), ×109/L] 7.89(5.82, 11.50) 9.25(6.22, 12.83) 0.143 血红蛋白[M(P25, P75), g/L] 119.50(98.50, 132.70) 98.00(78.75, 120.50) <0.001 血小板[M(P25, P75), ×109/L] 195.00(153.75, 240.00) 170.50(111.00, 233.75) 0.003 尿素氮[M(P25, P75), mmol/L] 6.95(4.80, 12.15) 10.70(6.07, 21.70) <0.001 肌酐[M(P25, P75), μmol/L] 79.00(61.25, 106.00) 92.00(59.00, 218.50) 0.035 白蛋白[M(P25, P75), g/L] 35.00(29.25, 39.00) 30.00(27.00, 35.00) <0.001 凝血酶原时间[M(P25, P75), s] 12.10(11.30, 13.10) 12.70(11.80, 14.55) <0.001 D-二聚体[M(P25, P75), mg/L] 478.00(238.50, 2105.50) 899.00(480.00, 2415.00) <0.001 APACHE Ⅱ:急性生理学和慢性健康状况Ⅱ;SOFA:序贯器官衰竭估计;PaO2:动脉血氧分压;PaCO2:动脉血二氧化碳分压 2.2 急诊专科医联体建立前后下游医院ICU患者疾病谱构成
急诊专科医联体建立前组疾病谱主要由常见的危重症疾病构成,其中占比居前3位的疾病分别为急性心血管疾病(34.1%)、重症肺炎(25.4%)、外科手术后(19.0%),急诊专科医联体建立后组疾病谱多样性增加,疾病谱中感染性休克、肾功能衰竭、重症胰腺炎的比例有所增加,外科手术后的比例有所下降,其中占比居前3位的疾病分别为重症肺炎(31.2%)、肾功能衰竭(13.8%)、急性脑血管病(9.8%),见图 2。此外,急诊专科医联体建立前组无疑难病患者,急诊专科医联体建立后组共25例疑难病患者(3例患者合并3种少见疾病,其中皮肌炎合并肺间质纤维化1例、系统性红斑狼疮合并肺孢子菌肺炎1例、脱髓鞘病合并肺孢子菌肺炎1例),其中肺部疾病9例(肺间质纤维化6例、肺孢子菌肺炎3例),风湿免疫性疾病7例(系统性红斑狼疮3例、皮肌炎2例、大动脉炎2例),血液系统疾病5例(多发性骨髓瘤3例、淋巴瘤2例),神经系统性疾病3例(运动神经元病2例、脱髓鞘疾病1例),少见感染性疾病2例(破伤风),心血管疾病1例(扩张型心肌病),中毒性疾病1例(甲醇中毒)。
2.3 急诊专科医联体建立前后下游医院ICU患者接受检查/治疗情况
相较于建立前组,建立后组中心静脉置管[52.7%(118/224)比20.6%(26/126), P<0.001]、CRRT[22.3%(50/224)比4.0%(5/126), P<0.001]、使用血管活性药物[21.4%(48/224)比11.9%(15/126), P=0.037]、去甲肾上腺素[17.0%(38/224)比7.1%(9/126), P=0.015]的比例均显著升高。两组有创机械通气[21.0%(47/224)比15.9%(20/126), P=0.306]的比例无显著差异。
此外,急诊专科医联体建立后,北京市隆福医院ICU开展了多项新技术,其中已广泛应用且具有代表性的新技术为床旁支气管镜操作和床旁超声检查。急诊专科医联体建立后组224例患者中,实施床旁支气管镜操作9例,床旁超声检查105例:包括深静脉穿刺定位及引导17例,心脏超声20例,肺部超声21例,消化系统超声21例,血管超声16例,肾脏超声10例。
2.4 急诊专科医联体建立前后下游医院ICU患者临床预后
相较于建立前组,建立后组住院时间[(11.61±9.41)d比(10.06±7.63)d, P=0.260]、住院费用[(18 982.35(9251.80, 51 677.59)元比39 113.11(19 500.03, 68 981.90) 元, P=0.067]、院内死亡率[12.1%(27/224)比10.3%(13/126), P=0.753]均无显著变化。
2.5 建立急诊专科医联体对下游医院ICU患者主要临床结局的影响
以上述单因素分析中P<0.001的指标为自变量,院内死亡率为因变量纳入多因素Logistic回归分析模型,以进一步分析建立急诊专科医联体对下游医院ICU患者主要临床结局的影响。多因素Logistic回归分析结果显示,在调整年龄、SOFA评分、血红蛋白、白蛋白、尿素氮、凝血酶原时间、D-二聚体等因素后,建立急诊专科医联体对下游医院ICU患者院内死亡率无显著影响(OR=0.994,95% CI:0.401~2.464,P=0.990),见表 2。
表 2 下游医院ICU患者院内死亡危险因素的多因素Logistic回归分析指标 β值 SE Wald值 OR值(95% CI) P值 年龄 0.071 0.019 14.408 1.074(1.035~1.114) 0.000 SOFA评分 0.240 0.059 16.835 1.272(1.134~1.426) 0.000 血红蛋白 0.000 0.008 0.001 1.000(0.984~1.016) 0.973 白蛋白 0.013 0.017 0.609 1.013(0.980~1.048) 0.435 尿素氮 -0.061 0.040 2.256 0.941(0.870~1.019) 0.133 凝血酶原时间 -0.003 0.018 0.025 0.997(0.963~1.033) 0.875 D-二聚体 0.000 0.000 6.247 1.000(1.000~1.000) 0.012 CRRT -0.947 0.545 3.015 0.388(0.133~1.130) 0.082 建立急诊专科医联体 -0.006 0.463 0.000 0.994(0.401~2.464) 0.990 SOFA:同表 1;CRRT:连续性肾脏替代治疗 3. 讨论
本研究基于350例北京市隆福医院ICU患者的临床资料,分析了建立急诊专科医联体在下游医院危重症患者救治中的作用,结果显示相较于建立前组,建立后组APACHE Ⅱ评分、SOFA评分均升高(P均<0.05),两组住院时间、住院费用、院内死亡率均无显著差异(P均>0.05),多因素Logistic回归分析结果显示,建立急诊专科医联体对下游医院ICU患者院内死亡率无显著影响(OR=0.994,95% CI:0.401~2.464,P=0.990),提示建立急诊专科医联体后,虽然下游医院ICU诊治患者病情更严重,但患者院内死亡率无显著增加,故建立急诊专科医联体可能提高了其危重症患者的救治能力。
急诊科患者拥挤、滞留现象延长了危重症患者的救治等待时间,影响了危重症患者救治质量的提高,不利于医疗资源的充分优化,该现象的产生原因与大量非急症患者至急诊就诊,以致危重症患者无法得到快速诊疗有关[9-10]。作为全国性疑难病诊治中心,北京协和医院急诊科面临患者病情复杂、涉及病情多、治疗调整需求大等综合难题,急诊患者滞留、等待住院时间长等问题极为突出。目前,国内医联体建设虽然已经取得诸多成果,但仍无法有效解决急诊科患者拥挤、滞留现象,这与国内仍以“上转多、下转少”为主要类型的转诊模式相关,患者持续向三级医院集中,增加了上游医院的诊疗压力,加重了上游医院急诊患者的拥挤,使得在医疗资源有限的情况下医疗质量有所下降[11]。故疏通“下转”通道对解决急诊患者拥挤、滞留现象具有重要意义。研究表明,下游医疗机构诊疗水平、住院服务选择、患者的经济状况、医生的建议等与患者向下转诊的意愿密切相关[12-14]。在“下转”诊治疗过程中,下游转诊医院可能存在专科支持能力稍弱、复杂患者诊治经验短缺现象,对转诊患者的安全带来一定隐患。为打破急诊患者转诊困难的困境,北京协和医院与北京市隆福医院建立急诊专科医联体合作模式,以患者安全为核心,通过以上游医院人员下沉、带动上下转诊、促进学科发展为框架的新型模式,保证医联体的高效运行。
北京协和医院急诊科-北京市隆福医院“点对下游医院多科室”模式是全国首个通过急诊科对口下游医院多个科室,以尝试解决急诊患者出口问题的区域性专科医联体模式。危重症患者的转诊不同于普通患者,普通患者疾病相对简单且预后明确,而危重症患者预后转归的不确定性和不可预测性较强,故存在较大的转诊风险。保证患者的安全性是急诊专科医联体成功建立的基础和前提。在实践过程中,根据患者病情,由上游医院制订急诊患者序贯性治疗方案,转诊至下游医院后,上游医院选派固定的医疗小组下沉至下游医院,形成长期随诊查房制度,继续落实后续诊疗方案。如转诊患者的病情出现再次加重,可直接转入上游医院展开医治,以最大程度保障患者的生命安全。本研究首次分析了急诊专科医联体建立前后下游医疗机构对危重症患者救治能力的变化。结果显示,相较于建立前组,建立后组APACHE Ⅱ评分、SOFA评分均升高,提示建立后组患者病情更严重;在疾病谱方面,建立后组的疾病谱构成更加多样,且收治了25例疑难病患者,亦提示急诊专科医联体建立后下游医院ICU患者病情更复杂。进一步比较发现,两组住院时间、住院费用、院内死亡率均无显著差异,且校正混杂因素后,建立急诊专科医联体对下游医院ICU患者院内死亡率无显著影响,即建立急诊专科医联体后,在病情更严重的情况下,下游医院ICU患者的院内死亡率未出现明显升高,提示该举措有助于提高下游医院对危重症患者的救治能力。对于需要序贯性治疗的患者而言,其可通过转诊通道转至相应的医联体医院进行后续治疗,安全性和治疗连贯性得以保证;对于上游医院而言,急诊患者拥堵现象得到了一定程度的解决,危重症患者救治效率得以优化;对于下游医院的医生与医院而言,对复杂疾病、疑难病的诊治能力得以提升,并继而提高了下游医院的质量和影响力,实现了患者、医生、医院皆可获益的良好局面。
在患者治疗方面,急诊专科医联体建立后,下游医院ICU患者的脏器功能支持手段亦得到加强。以CRRT为例,其是急性肾功能衰竭患者的重要支持治疗手段[15],有助于稳定血流动力学、维持酸碱和电解质平衡。该治疗措施有助于下游医院医生针对急危重症患者进行个性化治疗,对患者预后的改善具有积极作用。本研究结果显示,建立后组危重症患者行CRRT的比例较建立前组明显增多,说明急诊专科医联体建设加强了下游医院ICU的危重症支持手段。此外,急诊专科医联体建立后,为下游医院带来的另一个优势是新技术的开展。ICU患者出现肺部感染较常见,机械通气为常规治疗手段,床旁支气管镜治疗对重症呼吸衰竭患者气道阻塞解除、肺部通气改善、下呼吸道分泌物采集与病原学检查均意义重大[16]。床旁超声在危重症患者深静脉通路建立、血流动力学管理、病情判断等方面可起到重要的辅助作用。在急诊专科医联体建立后,北京市隆福医院ICU床旁支气管镜检查实现了零的突破,9例患者进行支气管镜检查及镜下治疗、肺泡灌洗、病原学送检;105例患者实施床旁超声检查,为危重症患者的快速病情评估、早期诊断与临床干预提供了重要参考信息。
本研究局限性:仅选取北京市隆福医院一家医院的ICU科室作为研究对象,病例数有限,检验效能较低,且为回顾性研究,信息收集难免存在偏倚,难以充分说明急诊专科医联体的优越性。基于本临床实践,急诊专科医联体将逐步实现“点对多”的模式,探索急诊科对应下游医院多个科室的转诊模式,主导实现下转科室的多样化和疾病诊治的专科化;同时探索性建立对接社区医院的多维度医联体模式,以进一步探究该诊疗模式在社区人群康复中的应用情况。
综上,作为急诊专科医联体的实践模式之一,初步数据说明,北京协和医院急诊科-北京市隆福医院“点对下游医院多科室”模式已取得一定成果,在保障患者安全性的同时,下游医院的危重症诊治水平得到了一定提升,有助于优化医疗资源,促进医疗卫生服务一体化发展。
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 3 预测效能Top 3模型的校准曲线
LGBM:同图 2
图 4 预测效能Top 3模型的临床决策曲线
LGBM:同图 2
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 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 -
[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(20)
1. 王建新,孙明月,吕行,郭曼萍,代欣玥,杨巧宁,申春悌,元唯安,王天芳,连凤梅,刘树林,张磊,谢雁鸣,王忠,王保和,黄宇虹,刘文娜,高蕊. 中医证候疗效评价量表研制指南. 中国新药杂志. 2025(02): 113-122 . 百度学术
2. 唐晓颇,姜泉. 基于临床需求的干燥综合征诊疗体系构建与示范应用. 中国中医基础医学杂志. 2025(02): 231-235 . 百度学术
3. 杨一玖,张海力,刘斌,梁宁,李慧珍,宋填,曹文杰,胡紫腾,马厚芳,王燕平,韩晟,史楠楠. 中成药特征价格变量指标体系构建研究. 中国卫生经济. 2025(02): 18-23 . 百度学术
4. 薛飞飞,郝闻致,陈家旭. 层次分析法在中医证候标准化研究的应用探讨. 中华中医药杂志. 2025(01): 271-274 . 百度学术
5. 潘轶竹,郭默宁,蒋锋,李晓虹,王明刚,肖存利. DRGs背景下基于改良德尔菲法的精神专科医院医疗绩效评价指标体系构建研究. 中国医疗管理科学. 2024(01): 105-111 . 百度学术
6. 刘晓雨,刘志华,李京璠,李润泽,王玉曼,薛滨清,张心千,杨倩,杜艳茹. 浊毒证诊断量表的研制与权重赋值——基于德尔菲法及层次分析法. 中医杂志. 2024(07): 684-690 . 百度学术
7. 胡卓慕,吴进,方玢茹,毛旭,郭莉萍,朱利明. 《中国叙事医学专家共识(2023)》的德尔菲法研究. 叙事医学. 2024(02): 105-112 . 百度学术
8. 黄栖,唐乐微,刘茹茹,林丹,黄佳丽,彭雯清,李一靖,陈燕燕,王毓琴. 基于德尔菲法初步构建急性前葡萄膜炎患者报告结局量表. 中华眼视光学与视觉科学杂志. 2024(07): 507-515 . 百度学术
9. 王雅琪,高一城,苏澄元,刘美君,李迅,费宇彤. 临床实践指南中临床问题结构化分级及评价. 中国循证医学杂志. 2024(07): 827-831 . 百度学术
10. 梁昌昊,尹丁冉,刘美君,尹冠翔,李迅,王雅琪,刘思岐,佟敏,刘鹏伟,苏祥飞,费宇彤. 中医药指南制订中共识法应用关键要素的定性研究. 协和医学杂志. 2024(04): 942-952 . 本站查看
11. 车前子,郭敬,佟琳,蔡秋杰,陈琳,李慧珍,张海力,郑丹平,胡明智,宋填,程翠翠,蒋寅,刘晨曦,胡妮娜,张华敏,史楠楠. 基于人用经验的中药新药临床定位研究策略与方法. 中国中医基础医学杂志. 2024(08): 1337-1340 . 百度学术
12. 赵越,李宵,薛朝军,白万军,董占军. 医疗机构静脉用药评价与遴选专家共识. 医药导报. 2024(09): 1369-1375 . 百度学术
13. 彭蓉晏,孙凌云,刘稼玺,庞英,王子旭,唐末,丁亚丛,梁昌昊,唐丽丽,杨宇飞. 基于改良德尔菲法构建《早中期结直肠癌根治术后中西医结合心理康复干预指南》临床问题. 中国中西医结合杂志. 2024(08): 912-920 . 百度学术
14. 马思成,张宸铭,唐硕彤,郝晓慧,刘稳榜,马瑞敏,胡静,王祖龙,孙自学. 中医药治疗精子DNA损伤的德尔菲研究. 中华男科学杂志. 2024(09): 854-860 . 百度学术
15. 周旋,方格,马庆宇,李晓娟,李永欣,胡志希,李先涛,陈家旭. 基于德尔菲法和层次分析法的气滞证诊断条目筛选及权重确定. 中医杂志. 2024(21): 2211-2216 . 百度学术
16. 吴雪,王文雅,廖星,王永炎. 中医药卫生技术评估实施规范的构建与内容介绍. 中国中药杂志. 2024(20): 5643-5651 . 百度学术
17. 孟庆莉,姜德春,李达,纪立伟,刘宪军,冀召帅,陶小妹,王海莲,于晓佳,贾自力,张景富,陈世财,顾红燕. 北京地区基层医疗机构药物治疗管理服务门诊工作实施评价体系构建——基于德尔菲法和层次分析法. 中国医院药学杂志. 2024(24): 2909-2914 . 百度学术
18. 中国医师协会外科医师分会肥胖代谢病综合管理与护理专家工作组,中国医师协会外科医师分会肥胖和代谢病外科专家工作组,中国肥胖代谢外科研究协作组. 肥胖代谢外科医学科普中国专家共识(2024版). 中华消化外科杂志. 2024(12): 1471-1478 . 百度学术
19. 张红银,朱红梅,张慧琴,姚宏文,朱桂荣,李琳. 云南省静脉用药调配中心工作人员细胞毒药物职业暴露及防护调查分析. 昆明医科大学学报. 2023(07): 105-112 . 百度学术
20. 张佳佳,杨超,杜世豪,陈晟,杜朔,赵吉平. 基于制定WFAS《女性尿失禁临床实践指南》探讨改良德尔菲法在针灸指南推荐意见研制过程中的应用价值. 中国针灸. 2023(12): 1449-1453 . 百度学术
其他类型引用(5)