方法
研究设计
数据来源
纳入和排除标准
变量和特征
图1. (A) MIMIC. (B) eICU-CRD. (C) AmsterdamUMCdb.作者将MIMIC数据集中2001年至2016年的患者和eICU-CRD 13家医院的患者合并为一个开发集。其余169家eICU-CRD医院合并为外部验证集(美国)。来自阿姆斯特丹umcdb的完整队列被用作外部验证集(欧洲)。MIMIC(2017-2019)的剩余患者作为时间验证集。(D)老年死亡率预测模型的特点及老年ICU的变量类型。
模型开发和性能
校准和亚组偏差评估
模型解释和个体分析
统计分析
结果
图2. 预测性能:四种验证类型中机器学习模型与临床评分的区别比较
图3. 基于年龄、性别和种族亚组分析的偏倚评价
图4. 老年死亡率预测模型的解释
讨论
在《Lancet Digit Health》上发表的这篇关于ELDER-ICU模型的研究,标志着作者在老年危重病医学领域迈出了重要的一步。随着全球人口老龄化的加剧,ICU中老年患者的比例不断上升,这使得对老年患者的病情评估和管理变得尤为重要。传统的病情严重程度评分系统虽然在临床实践中广泛应用,但往往未能充分考虑老年人特有的健康问题,如共病、身体虚弱和认知功能下降等因素,这限制了它们在老年患者中的预测准确性。
本研究开发的ELDER-ICU模型通过使用机器学习技术,能够更准确地预测老年患者入住ICU后的死亡风险。研究团队采用了国际多中心的数据,不仅提高了模型的泛化能力,也使得研究结果更具全球代表性。值得注意的是,该研究不仅关注了模型的准确性,还特别强调了模型的可解释性和潜在偏差的评估,这一点在当前的人工智能研究中尤为重要。
研究中使用的XGBoost算法在多个验证集上均显示出优越的性能,其预测准确性(以AUROC表示)显著高于传统的临床评分系统和其他机器学习算法。此外,研究还开发了一个简化版的ELDER-ICU-20模型,仅使用20个最重要的特征,便能达到与完整模型相近的预测性能,这使得模型在临床应用中更为便捷。在模型的解释性方面,通过SHAP值的分析,研究揭示了老年患者死亡风险预测中最重要的因素,如最低的格拉斯哥昏迷评分、总尿量、平均呼吸频率等,这些因素的识别有助于临床医生更好地理解老年患者的病情,并可能指导未来的治疗策略。
尽管该研究在方法学上表现出色,但仍存在一些局限性。首先,作为一个回顾性研究,其结果需要在前瞻性研究中进一步验证。其次,尽管研究使用了多中心的数据,但模型的外部有效性和在不同人群、不同医疗环境中的适用性仍需进一步考察。此外,研究主要关注了短期的住院死亡率,对于长期预后的预测能力尚未明确。
总体而言,这项研究为老年危重病医学领域提供了一个有力的工具,有望改善老年患者的临床评估和管理。随着人工智能技术的不断进步,我们期待未来能有更多创新的研究,以进一步提高老年患者的临床预后和生活质量。
Liu X, Hu P, Yeung W, Zhang Z, Ho V, Liu C, et al. Illness severity assessment of older adults in critical illness using machine learning (ELDER-ICU): an international multicentre study with subgroup bias evaluation. Lancet Digit Health. 2023;5(10):e657-e67.
402.【论肿道麻】NEMJ:心肌梗死和贫血患者的限制性或宽松性输血策略
401.【论肿道麻】Nature Cancer:肿瘤转移时昼夜节律对肿瘤干细胞及肿瘤微环境的调控作用
400.【论肿道麻】Nature Reviews Cardiology:心血管疾病和癌症:共同的危险因素和机制
398.【论肿道麻】心肺适能与手术适应性的生理关系:一篇叙述性综述
397.【论肿道麻】Nature Reviews Clinical Oncology:Treg细胞介导的肿瘤免疫抑制与精准免疫基因组学