导图社区 用于预测重症监护病房静脉血栓栓塞症的可解释机器学习模型
这是一篇关于用于预测重症监护病房静脉血栓栓塞症的可解释机器学习模型:基于的思维导图,主要内容包括:补充材料,表不如图,字不如表,摘要,题目。基于临床特征和实验室指标构建可解释的机器学习模型,用于预测危重症患者VTE的发生。
这是一篇关于基于Web的动态Nomogram结合内部验证对急性心力衰竭患的思维导图,主要内容包括:补充材料,表不如图,字不如表,摘要,题目。
这是一篇关于机器学习得到脓毒症危重症患者急性肾损伤的血肌酐轨迹的思维导图,主要内容包括:补充材料,表不如图,字不如表,摘要,题目。
这是一篇关于心房颤动的反复导管消融——如何预测结果?的思维导图,主要内容包括:表不如图,字不如表,摘要,题目。
社区模板帮助中心,点此进入>>
小儿常见病的辩证与护理
蛋白质
均衡饮食一周计划
消化系统常见病
耳鼻喉解剖与生理
糖尿病知识总结
细胞的基本功能
体格检查:一般检查
心裕济川传承谱
解热镇痛抗炎药
用于预测重症监护病房静脉血栓栓塞症的可解释机器学习模型:基于207个中心数据的分析
题目
Interpretable machine learning models for predicting venous thromboembolism in the intensive care unit: an analysis based on data from 207 centers
摘要
背景/目的
静脉血栓栓塞症( VTE )是危重症患者的严重并发症,常导致死亡和长期残疾
基于临床特征和实验室指标构建可解释的机器学习模型,用于预测危重症患者VTE的发生
方法
本研究的数据来自eICU合作研究数据库( 2.0版)
eICU协作研究数据库是一个包含208家医院的多中心数据库
使用多重插补对缺失值进行插补
采用逐步Logistic回归模型选择最终纳入模型的预测因子
采用随机森林、极端梯度提升( XGBoost )和支持向量机算法,使用五折交叉验证构建模型
采用 AUC、准确度、无信息率、平衡准确度、Kappa值、灵敏度、特异度、精密度、F1值等指标评价模型性能
使用DALEX包来提高最终模型的可解释性
结果
本研究最终纳入109 044例患者,其中1647例( 1.5 % )在ICU住院期间发生VTE
在患者入住ICU的24小时内共收集了43个临床和生物学变量。通过逐步Logistic回归,最终筛选出24个变量
在3个模型中,随机森林模型( AUC : 0.9378 )表现最好
结论
ML模型可作为预测危重症患者发生VTE的可靠工具
在构建的所有模型中,随机森林模型是最有效的模型,可以帮助用户早期识别VTE高风险患者,以便实施早期干预,减轻患者的VTE负担
字不如表
Table 1
VTE组与非VTE组人口统计学及临床特征比较
Table 2
三种机器学习模型预测重症患者VTE的效能
表不如图
Figure 1
患者选择流程图
Figure 2
三种模型预测VTE的受试者工作特征曲线
Figure 3
特征重要性来源于随机森林模型
显示了重要性排名前20的临床变量
该图是DALEX程序包的结果
X轴表示随机置换特征后计算的AUC相对于原始AUC的损失。这种损失越大,模型对该特征的重要性就越高
Figure 4
患者预测结果的解释
从验证队列中随机选择了4名患者进行介绍
通过可解释的算法,可视化给定患者的哪些临床指标增加了VTE的预测,哪些变量降低了VTE的预测
该图是用DALEX程序包制作的,用于解释随机森林模型的预测结果
补充材料
Table S1
训练集和验证集包含的医院编号
Table S2
训练集和验证集的人口统计学和临床特征
Figure S1
缺失变量的百分比
Figure S2
年龄、白蛋白、红细胞压积、血红蛋白与预测结局的关系
Figure S3
BMI、INR、血小板、PT、PTT、WBC与预测结局的关系
Figure S4
ALT、AST、肌酐、总胆红素与预测结局的关系
Figure S5
癌症、癌症史、性别、心力衰竭、呼吸衰竭、VTE史与预测结果之间的关系
Figure S6
CVC、RBW输入、脓毒症、机械通气与预测结局的关系
Figure S7
Figure S8
Figure S9
在正文中展示了其中1例患者,其余3例可在补充材料