自动化机器学习在预测重症监护病房感染患者死亡中的应用

摘要：

目的 探索自动化机器学习(AutoML)在预测重症监护病房(ICU)感染患者死亡中的应用.方法 以2019～2020 年四川省自贡市重症监护病房开源数据库中感染患者作为研究对象,基于H2O平台建立AutoML死亡预测模型.算法包括梯度提升模型(GBM)、极端梯度增强算法(XGBoost)、广义线性模型(GLM)、深度学习(DL)、随机森林(RF).数据集按照3∶1 随机分为训练集和验证集,训练集用于模型的构建,验证集用于评价模型效果.模型表现指标为受试者工作特征(ROC)曲线下面积(AUC),此外通过变量重要性排序、Shapley加法解释图(SHAP)、部分依赖关系和独立模型局部解释(LIME)等方法来解释模型.结果 共计1151 和380 例患者分别被纳入训练集和验证集来进行AutoML建模.在验证集中,基于XGBoost算法的AutoML模型表现最优,拥有最高的AUC(0.753)和最高的准确率(0.713),优于第 2 名GBM模型(AUC 0.748)、第 3名GLM模型(AUC 0.745).在XGBoost模型中,重要的变量包括诊断疾病、活化部分凝血活酶时间(APTT)、胱抑素C(CysC)、年龄、肌酸激酶同工酶(CK-MB)、脑利钠肽(BNP)、国际标准化比值(INR)、钾离子(K+)、白蛋白(ALB)、乳酸(Lac).结论 通过AutoML建模在预测ICU感染患者死亡结局应用中呈现较好表现.AutoML在临床研究中具有良好的应用前景,但该模型仍需要进行广泛的外部验证.

关键词：自动化机器学习、重症监护室、深度学习、感染、极端梯度增强算法(XGBoost)、诊断疾病、活化部分凝血活酶时间、胱抑素C

所属期刊栏目：43

分类号：R459.7;R379;R969

资助基金：国家自然科学基金;苏州市科教兴卫项目;苏州大学医学部学生课外科研项目;江苏大学临床医学科技发展基金项目

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：768-775