急性肾损伤行连续性肾脏替代治疗成功停药的风险预测模型

这是一篇关于急性肾损伤行连续性肾脏替代治疗成功停药的风险预测模型的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

急性肾损伤行连续性肾脏替代治疗成功停药的风险预测模型

• 题目
  • Risk prediction models for successful discontinuation in acute kidney injury undergoing continuous renal replacement therapy
• 摘要
  • 背景/目的
    • 连续肾脏替代疗法（CRRT）是严重急性肾损伤（AKI）患者常用的治疗方式
    • 构建和评估接受 CRRT 干预的危重 AKI 患者及时停止 CRRT 的预后模型
  • 方法
    • 从 MIMIC-IV 数据库（n = 758）回顾性收集数据用于模型开发，并从湖州市中心医院重症监护病房（ICU）（n = 320）回顾性收集数据以进行模型验证
    • 通过利用 LASSO 回归来选择特征，开发了九种机器学习模型
    • 将 LASSO 选择的7个特征，纳入九种机器学习模型
  • 结果
    • 1078例患者中382例( 35.44 % )成功停止CRRT治疗
    • 在训练集中，所有模型的 AUROC 均超过 0.75
    • 在验证集中，XGBoost模型表现出最高的AUROC，为0.798，因此被选为开发临床应用在线计算器的最佳模型
  • 结论
    • XGBoost 模型在确定 CRRT 中止方面表现出显着的预测能力
• 字不如表
  • 表1和表2显示了CRRT开始和停止前训练集和外部验证集的基本特征，以及成功组和失败组
  • Table 1
    • 接受CRRT的危重AKI患者的基线特征（CRRT开始前）
  • Table 2
    • 接受 CRRT 的 AKI 危重患者的基线特征（CRRT 终止前）
  • Table 3
    • 训练队列和外部验证队列中九种不同算法模型的性能比较
• 表不如图
  • Figure 1
    • 接受CRRT的危重AKI患者筛查流程及研究流程
  • Figure 2
    • 基于带有交叉验证的 LASSO 回归选择临床特征
    • 因变量为接受CRRT的AKI危重症患者的CRRT停机成功与否
    • 将研究人群(包括表1和表2中的所有变量)的68个特征作为自变量
    • 确定了7个明显的特征
      • 年龄，阴离子间隙和CRRT停止前的凝血酶原时间，CRRT停止前有无少尿，CRRT开始和停止前使用机械通气，以及CRRT停止前使用去甲肾上腺素治疗
  • Figure 3
    • 外部验证队列中九个机器学习模型的 ROC 曲线和 AUROC
  • Figure 4
    • 外部验证队列中九个机器学习模型的校准曲线
  • Figure 5
    • 外部验证队列中九个机器学习模型的决策曲线分析
  • Figure 6
    • 网站使用案例
• 补充材料
  • Figure S1
    • 特征相关矩阵的热图
      • 42个
    • 使用R中的corrplot包生成了特征相关矩阵的热图
    • 各种特征之间存在显著的相关性，包括尿素氮和肌酐之间的正相关性，以及红细胞计数和平均红细胞体积之间的负相关性
  • Figure S2
    • 特征重要性排序如 XGBoost 模型中的 SHAP 所示（七个特征）
      • 与图 2 相关
    • 如图S2所示，与CRRT开始前接受机械通气有关的变量被发现具有0的贡献值，随后被排除
  • Figure S3
    • 特征重要性排序如 XGBoost 模型中的 SHAP 所示（六个特征）
      • 与图 6 相关
    • 矩阵图描述了最终预测模型开发中每个协变量的重要性
    • 剩下的6个特征被用于构建XGBoost模型
  • Figure S4
    • 六个不同特征对预期结果的影响
    • 展示了这六个特征基于其平均绝对SHAP值的排名，x轴表示预测模型的重要性
    • 横坐标表示连续变量 (a) 的值或分类变量 (b) 的存在或不存在
    • 而纵坐标表示 SHAP 值
    • 患者对结果的归因通过不同颜色的点直观地表示，黄点表示成功停药，黑点表示停药失败
  • Figure S5
    • 成功( a )和失败停止CRRT ( b )的患者力图
    • 函数f ( x )表示患者成功停药可能性的期望值，基期值表示模型缺乏输入的期望值
    • 两个具有代表性的例子来说明模型的可解释性
    • 第一例患者经历了CRRT的不成功中止，SHAP预测评分为0.109 (图S5A )
    • 相反，第2例患者成功中止CRRT，SHAP评分为0.623 (图S5B )
  • Figure S6
    • XGBoost模型在训练集和外部验证集的ROC曲线和AUROC
  • Figure S7
    • XGBoost模型在外部验证队列中的校准曲线
  • Figure S8
    • 外部验证队列中XGBoost模型的决策曲线分析