新发房颤(NOAF)是心脏手术后患者最常见的并发症，总体发病率为31%至74%。先前的研究发现，NOAF的发生可能会增加患者的中风、心力衰竭（HF）以及死亡风险。
近年来，机器学习（ML）在医学领域的应用越来越广泛，尤其在构建患者的生存和预后预测模型方面取得了不少成果。因此，本研究同样使用ML方法构建危重患者NOAF风险人群识别模型，并利用SHAP法对模型进行可视化解读。
2024年10月29日，中国学者用MIMIC-IV、MIMIC-III两个数据集，在期刊《Critical Care》（医学一区top，IF=8.8）发表题为：“Interpretable machine learning model for new-onset atrial fibrillation prediction in critically ill patients: a multi-center study”的研究论文，旨在使用机器学习（ML）创建并验证危重患者的NOAF预测模型，同时使用SHAP法对模型结果进行解释。
本公号回复“ 原文”即可获得文献PDF等资料。就在本周末，我们的基于R语言构建机器学习课程开课啦！如感兴趣请联系郑老师团队，微信号：aq566665
在该项研究中，研究团队使用MIMIC数据库的两个非重叠数据集：
MIMIC-IV用于构建模型，经过纳排，最终纳入16,528名年龄≥18岁，入住ICU超过2天、未接受心脏手术切无AF病史的参与者（对于多次入住ICU的患者，仅纳入患者首次入住ICU时的入住记录）； MIMIC-III的子集用作外部验证，最终纳入6,037名符合条件的参与者。
Lasso法筛选特征
引入L1正则化，通过压缩系数、筛选贡献较大的特征、剔除冗余特征等方法进行特征选择和降维。
最终，纳入了与NOAF密切相关的23个变量（包括入院年龄、种族、体重、尿量、WBC_max（白色细胞）、BUN_min（血尿素氮）、钾_min、HR_min（心率）、HR_max、SBP_min（收缩压）、DBP_max（舒张压）、MBP_min、RR_min、temperature_min、temperature_max、SpO2_min、慢性肝病、HFrEF、HFpEF、脓毒症、机械通气、CRRT、血管加压药）。
（A）变系数的变化特征；（B） 用交叉验证对Lasso回归模型中参数λ最优值进行选择
模型性能比较
采用10重交叉验证法保证模型的稳定性； 网格调整参数为每种算法选择最佳调整参数。
在参数调整过程中，选取AUC值最大的模型为最佳预测模型。
研究结果表明，XGBoost表现最好，在验证中达到0.891（0.873-0.888）的AUC，在外部验证中达到0.769（0.756-0.782）。
图3 机器学习模型的ROC曲线
SHAP法进行可解释性分析
图4 使用SHAP可视化解释机器学习模型
同样是构建临床预测模型，别人都在用机器学习分析了，你还在常规套路挣扎？如果你也对机器学习课程感兴趣，不妨来看看郑老师推出的基于R语言的机器学习构建临床预测模型课程！面对面线上授课，实时交流，不怕零基础！
关注“公共数据库与孟德尔随机化”公众号，了解更多最新发文风向！
郑老师统计团队及公众号
全国较大的线上医学统计服务平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理！
