8.8 Q1|河北医科大学机器学习发文 | 可解释性机器学习模型用于危重患者新发房颤预测的多中心研究
1.第一段–文章基本信息
文章题目：Interpretable machine learning model for new-onset atrial fibrillation prediction in critically ill patients: a multi-center study
中文标题：可解释性机器学习模型用于危重患者新发房颤预测的多中心研究
发表杂志：Critical Care
影响因子：1区，IF= 8.8
发表时间：2024年10月
2.第二段–研究思路
本研究思路
本文旨在开发并验证一种用于预测危重病患者新发房颤（NOAF）风险的机器学习模型。研究使用了来自MIMIC数据库的两个非重叠数据集：MIMIC-IV用于模型训练，MIMIC-III的子集用于外部验证。研究纳入了18岁以上、ICU住院超过两天且无房颤病史的患者。通过LASSO回归筛选出23个与NOAF相关的变量，包括年龄、机械通气、尿量、败血症等。研究使用了8种机器学习算法构建预测模型，其中XGBoost模型表现最佳，验证集AUC为0.891，外部验证集AUC为0.769。研究还利用SHapley Additive exPlanations（SHAP）方法对模型进行可视化解释，揭示了关键预测因素对模型的贡献。最终，研究开发了一个用户友好的界面，供临床医生使用，以帮助及时识别高风险患者并改善预后。
3.第三段-Introdction
背景
新发房颤（NOAF）是指既往无房颤病史的患者出现房颤。在房颤发作期间，心房功能丧失和心室率增加会导致心输出量下降和血流动力学紊乱。NOAF是重症监护病房（ICU）中危重病患者最常见的心律失常，其发生率在不同研究中差异较大，范围从1.7%到43.9%。研究表明，在脓毒症休克患者中，NOAF的存在是疾病严重程度的标志，并代表了额外的器官衰竭。此外，多项研究显示，危重病期间的NOAF与中风、心力衰竭以及短期和长期死亡风险增加密切相关。尽管已有研究关注心脏手术后的NOAF，但对未接受心脏手术的危重病患者的NOAF研究相对较少。在临床实践中，大多数发展为NOAF的危重病患者是感染或其他非心脏疾病的患者，这些患者往往未能及时获得心血管专家的专门干预。这种护理缺口凸显了在常规ICU环境中早期识别高危患者的紧迫性，并探索潜在的针对性干预措施。
4.第四段-Methods
方法
数据来源
用于构建模型的数据来自医学信息市场（MIMIC）数据库的第IV版（MIMIC-IV，版本：v2.2），该数据库包含了2008年至2020年期间，贝斯以色列迪卡内斯医疗中心收治的299,712名患者的431,231次住院信息。此外，我们还使用了MIMIC-III数据库的一个子集进行外部验证，该子集包括2001年至2008年期间23,692名患者的26,836次住院记录，且与MIMIC-IV的患者无重叠。本文的通讯作者（Bing Xiao）通过了协作机构培训计划（CITI）考试并获得了证书（记录编号：57,440,109）。由于MIMIC数据库已经脱敏，因此无需从患者处获取知情同意。我们向医院伦理委员会进行了口头报告，无需经过常规审批流程。
研究对象
纳入研究的患者需满足以下标准：（1）年龄超过18岁；（2）ICU住院时间超过两天；（3）在入院第一天内未发生房颤事件；（4）未接受心脏手术，包括瓣膜手术和冠状动脉旁路移植术；（5）无房颤病史；（6）对于有多次ICU住院记录的患者，仅纳入其首次住院记录。图1展示了患者的筛选过程。
数据提取与结果
使用PostgreSQL中的结构化查询语言（SQL）从两个数据库中提取患者在ICU入院后24小时内的数据。本研究提取的变量包括：（1）人口学信息：年龄、性别、种族和体重；（2）合并症：心肌梗死（MI）、射血分数降低的心力衰竭（HFrEF）、射血分数保留的心力衰竭（HFpEF）、外周动脉疾病、脑血管疾病、慢性肺部疾病、慢性肾脏疾病、慢性肝脏疾病、高血压、糖尿病、败血症；（3）实验室指标：血红蛋白、白细胞（WBC）、血小板、血尿素氮（BUN）、肌酐、葡萄糖、阴离子间隙、钾、钠、钙、肌酸磷酸激酶（CK-CPK）、肌酸激酶同工酶（CK-MB）、N末端脑钠肽前体（NT-proBNP）、尿量；（4）生命体征：心率（HR）、呼吸频率（RR）、收缩压（SBP）、舒张压（DBP）、体温、经皮动脉血氧饱和度（SpO2）；（5）干预措施：机械通气、连续肾脏替代治疗（CRRT）、血管活性药物、抗生素。对于多次测量的变量，除SpO2外，均取第一天的最大值和最小值。为减少缺失数据对模型构建的影响，使用KNNImputer（KNN）方法对缺失率低于20%的数据进行填补，并剔除缺失率超过20%的数据（图S1）。主要结果为ICU入院后第一天后发生的新发房颤，通过护士在床边记录的心率状态来定义。
统计分析与模型开发
本研究采用Kolmogorov–Smirnov检验分析连续变量，因变量非正态分布，故以中位数（四分位间距）描述并用Mann–Whitney U检验比较组间差异；分类变量以百分比表示，用Pearson卡方检验比较。针对因变量类别不平衡问题，采用欠采样方法平衡数据，并通过五折交叉验证将样本分为训练集和内部验证集。利用LASSO回归进行特征选择，引入L1正则化筛选重要特征并降维。研究使用8种机器学习算法（XGBoost、SVM、Adaboost、MLP、NN、NB、LR、GBM）构建预测模型，通过十折交叉验证和网格搜索调整参数，以ROC曲线下面积（AUC）最高为标准选择最优模型。模型在训练集上构建，并在内部和外部验证集上验证，通过AUC、敏感性、特异性、召回率、F1分数、准确性和召回率评估性能。同时，绘制决策曲线分析（DCA）和校准曲线以评估临床效用，并通过临床影响曲线（CIC）确定最佳阈值概率。使用SHAP方法可视化特征贡献，帮助理解模型决策过程，并通过特征递归消除法构建简化模型。所有分析在R软件（4.3.3）中完成，双侧P值小于0.05视为显著。
5.第五段-Results
结果
基线特征
研究共纳入16,528名MIMIC-IV患者，其中1,520名（9.2%）在ICU入院后发生新发房颤（NOAF）。另有6,037名患者来自MIMIC-III子集，其中677名（11.2%）发生NOAF。NOAF患者多为老年、白人，住院时间长，院内死亡率高（28.42% vs. 11.63%）。此外，NOAF患者在ICU入院第一天更常需要机械通气、CRRT等干预，实验室检查显示其血红蛋白、血小板、血压等指标较低，而白细胞、血尿素氮、肌酐等指标较高。
特征选择
通过LASSO回归筛选出23个与NOAF密切相关的变量，包括年龄、种族、体重、尿量、白细胞、血尿素氮、钾、心率、收缩压、舒张压、呼吸频率、体温、经皮动脉血氧饱和度等。
模型性能比较
研究使用8种机器学习算法构建预测模型，XGBoost模型表现最佳，验证集AUC为0.891（95%置信区间：0.878–0.903），外部验证集AUC为0.769（95%置信区间：0.755–0.782）。XGBoost模型的敏感性为0.826，特异性为0.775，F1分数为0.805，准确率为0.801。校准曲线显示，除朴素贝叶斯和Adaboost模型外，其他模型的预测概率与实际结果一致性较好。决策曲线分析（DCA）和临床影响曲线（CIC）表明，XGBoost模型在临床应用中具有较高的净收益，最终确定风险概率大于0.6为高风险阈值。
外部验证
尽管两个数据集的基线特征存在差异，但模型在外部验证中表现出良好的泛化能力，AUC为0.769（95%置信区间：0.755–0.782）。
可解释性分析
通过SHAP方法可视化模型，揭示了对预测结果贡献最大的8个特征：年龄、机械通气、尿量、败血症、血尿素氮、经皮动脉血氧饱和度、CRRT和体重。SHAP力图进一步展示了模型对特定患者的预测过程，帮助理解模型的决策机制。
模型应用
通过特征递归消除法优化模型，最终筛选出7个关键变量（年龄、体重、机械通气、CRRT、血管活性药物、射血分数降低的心力衰竭），并部署在专用网站上，方便临床医生快速评估患者NOAF风险。
6.第六段–结论与启发
结论与启发
结论
我们开发了一个用于预测危重病患者新发房颤（NOAF）风险的机器学习模型，并验证了其作为临床可靠工具的潜力。SHAP（SHapley Additive exPlanations）方法提高了模型的可解释性，使临床医生能够更好地理解新发房颤的原因，帮助提前预防并改善患者预后。
【光速科研启发】
选题：研究聚焦于危重病患者新发房颤（NOAF）的预测，填补了针对非心脏手术后危重病患者NOAF风险评估的研究空白，具有重要的临床意义和潜在的公共卫生价值。
统计学：采用LASSO回归进行特征选择，结合多种机器学习算法（如XGBoost、SVM等）构建预测模型，并通过ROC曲线下面积（AUC）、校准曲线、决策曲线分析（DCA）和临床影响曲线（CIC）等方法评估模型性能，同时利用SHAP方法对模型进行可解释性分析，揭示关键特征对预测结果的贡献。
数据库：利用MIMIC-IV和MIMIC-III数据库，确保样本量大且数据丰富，通过严格的纳入和排除标准提高样本质量，并采用欠采样方法解决类别不平衡问题，为模型构建和验证提供了坚实基础。
启发：研究提示在临床实践中，应重视对危重病患者NOAF风险的早期识别和干预；通过机器学习模型的开发和验证，发现年龄、机械通气、尿量等特征对NOAF的预测具有重要作用，为临床决策提供依据；利用机器学习技术处理复杂临床数据的成功经验，为其他疾病的预测模型开发提供了参考。
