Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：A machine learning-based predictive model for the in-hospital mortality of critically ill patients with atrial fibrillation
中文标题：基于机器学习的心房颤动危重患者院内死亡率预测模型
发表期刊：Int J Med Inform.
发表时间：2024年7月
影响因子：3.7/Q2
心房颤动 （AF） 在重症监护病房 （ICU） 患者中很常见，并显着提高院内死亡率。现有的评分系统或模型对 ICU 中 AF 患者的预测能力有限。我们的研究开发并验证了机器学习模型，以预测 AF 患者 ICU 患者的院内死亡风险。
思路
分析重症监护医学信息市场 （MIMIC）-IV 数据集和 eICU 合作研究数据库 （eICU-CRD）。在比较的 10 个分类器中，自适应增强 （AdaBoost） 在预测 AF 患者的全因死亡率方面表现出更好的性能。开发并验证了一个具有 15 个特征的紧凑模型。
研究人群
在 MIMIC-IV 的 27,830 例 AF 患者中，10,144 例患者被纳入最终队列。总共有 8,301 名患者幸存，而 1,843 名患者死亡。外部数据集包括 eICU-CRD 中的 14,932 名 AF 患者。
结果分析
1. MIMIC-IV 和 eICU-CRD 中的分类器比较
表 2 显示了 10 个分类器的预测性能。在测试的 10 个分类器中，AdaBoost、Random Forest 和 Decision Tree 分类器在预测 AF 危重患者的院内全因死亡率方面表现出卓越的准确性。因此，选择了这三个模型进行后续分析。
2. 性能比较
表 3 总结了这些模型在不同数据集上的性能。在 eICU-CRD 验证集中，AdaBoost 表现出卓越的灵敏度和 F1 评分。
根据 ROC 曲线下面积 （AUC），与随机森林和决策树分类器全变量模型相比，基于 AdaBoost 的全变量模型在 MIMIC-IV 训练集、MIMIC-IV 测试集和 eICU-CRD 验证集中显示出更高的 AUC 值（图 3）。
3. AdaBoost 模型的预测性能
基于所有样本中变量重要性量值之和的汇总图说明了每个特征对完整模型输出的影响值。APS III 、 WBC 计数和心率是区分院内死亡风险的最重要特征。根据其可变的重要性和临床可用性选择 15 个特征，包括抗凝剂和抗血小板药物的类型。最后，基于所选特征建立基于 AdaBoost 的紧凑模型。
4. 建立基于网站的工具并由医学专家进行评估
建立了一个基于网站的工具，为临床医生使用紧凑的模型（图 5 A），可通过以下链接获得：https://ngrok.v7.idcfengye.com/。可以使用此工具评估院内死亡风险，并将向用户显示实例级别的预测结果的解释。使用基于 Web 的工具的医学专家的调查结果表明，81 名专家使用了该工具并完成了问卷调查。图 5B 显示有关医生的医院、医疗资格、科室、最高教育水平和经验年限的详细信息。图 5C 显示，超过 95% 的医学专家在预测准确性、可解释性、可信度和可用性方面将基于 Web 的工具评为良好或非常好。
文章小结
基于 AdaBoost 的预测模型进行了内部和外部验证，突出了其评估 AFU 患者院内死亡风险的强大预测能力。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
