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。

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
    • 患者预测结果的解释
  • Figure S8
    • 患者预测结果的解释
  • Figure S9
    • 患者预测结果的解释
  • 在正文中展示了其中1例患者，其余3例可在补充材料