✦
医学科研新动向
✦
Interpretable machine learning model for new-onset atrial fibrillation prediction in critically ill patients: a multi-center study
Critical Care
<2024年11月03日>
研
究
背
景
新发房颤（NOAF）是重症监护病房（ICU）中非心脏手术患者常见的并发症之一，且具有显著的不良预后。NOAF的发生率因研究对象不同而波动，约为1.7%至43.9%，其发病率的高度不一致反映了患者病理生理条件的异质性。在病理生理层面上，NOAF会导致心房失去有效收缩功能，并伴随心室率增快，进一步引起心排出量下降和血流动力学不稳定。对于感染性休克或急性肾损伤等危重疾病患者，NOAF更被认为是疾病严重程度的标志，可能与多器官功能障碍相关。NOAF不仅会增加ICU住院患者的卒中风险，还显著提高了心衰发作率和院内外死亡率。然而，现有关于NOAF的研究多集中于心脏手术患者的术后管理，针对ICU非心脏手术患者的研究相对较少。尽早识别ICU中NOAF的高风险人群并进行针对性干预成为亟需解决的问题，这为NOAF的预测模型开发提供了科学和临床价值。随着机器学习在医学领域的应用增多，具有高解释性和临床适用性的模型可能为NOAF的早期预测提供新思路。
研究设计
数据来源：本研究数据来自MIMIC-IV数据库，并使用MIMIC-III子集作为外部验证数据集。MIMIC-IV数据集包含2008年至2020年期间的ICU数据，MIMIC-III则包含2001年至2008年期间的数据。
研究对象：纳入标准包括年龄大于18岁、ICU住院超过两天、无既往房颤病史和无心脏手术史的患者。数据筛选后共计纳入16528例患者用于训练和内部验证，另有6037例患者用于外部验证。
特征选择：采用LASSO回归进行特征选择，从多种临床变量中筛选出与NOAF相关的特征，包括人口学信息、合并症、实验室指标、生命体征及治疗措施等。最终筛选出23个特征作为模型输入变量。
机器学习模型：构建了八种ML模型，包括XGBoost、支持向量机（SVM）、Adaboost、多层感知器（MLP）、神经网络（NN）、朴素贝叶斯（NB）、逻辑回归（LR）和梯度提升机（GBM），并通过十折交叉验证确定最佳模型参数。
模型性能评估：使用ROC曲线、AUC值、敏感性、特异性、F1分数、准确性等指标评估模型性能，并绘制校准曲线和决策曲线（DCA）分析模型的临床适用性。
可解释性分析：通过SHAP方法分析XGBoost模型的特征贡献，以SHAP力图和群体图形式可视化模型的可解释性。
核心结果
1： 特征选择（Fig 2）
变量选择：使用LASSO回归筛选出23个变量，包括： 人口学特征：年龄、体重。 实验室指标：白细胞最大值（WBC_max）、血尿素氮最小值（BUN_min）、钾最小值（potassium_min）。 生命体征：心率最小值（HR_min）和最大值（HR_max）、收缩压最小值（SBP_min）、舒张压最大值（DBP_max）、体温最小值（temperature_min）和最大值（temperature_max）、血氧饱和度（SpO2_min）。 临床干预：机械通气、连续肾脏替代治疗（CRRT）、血管加压药的使用。 变量重要性：年龄、机械通气、尿量、脓毒症、BUN、SpO2、CRRT、体重在模型中贡献最大，这些特征的LASSO回归系数见图2A。
2. 模型性能比较（Fig 3）
模型AUC值：XGBoost在内部验证中的AUC为0.891（95% CI: 0.873–0.888），在外部验证中的AUC为0.769（95% CI: 0.756–0.782），表现最佳。其他模型的AUC值分别为：GBM (0.877), Adaboost (0.859), NN (0.825), MLP (0.807), NB (0.792), SVM (0.788)和LR (0.786)。 敏感性与特异性：XGBoost模型的敏感性为0.826，特异性为0.775，均高于其他模型。（Table 2） F1分数和准确性：XGBoost模型的F1分数为0.805，准确率为0.801，同样优于其他模型的表现。
3. 校准和临床收益分析（Fig 4）
校准曲线：六种模型（XGBoost、GBM、SVM、LR、MLP和NN）在校准曲线中表现出较好的预测一致性，而NB和Adaboost的校准性能较弱。 决策曲线分析（DCA）：除Adaboost外，其他模型在不同阈值范围内均显示出较高的净收益，其中XGBoost模型在绝大多数阈值范围内的净收益最高。 临床影响曲线（CIC）：在0.6的风险阈值下，XGBoost模型的阳性预测接近实际阳性数，且假阳性率适中，符合临床风险平衡要求。
4. 模型可解释性分析（Fig 5）
SHAP特征贡献图（Fig 5A）：XGBoost模型中SHAP值最大的特征为年龄、机械通气、尿量、脓毒症、BUN、SpO2、CRRT和体重，说明这些变量对NOAF预测有最显著的影响。 年龄：是NOAF最强的预测因素，随着年龄的增加，NOAF的风险显著上升。 机械通气和尿量：与急性病情严重程度相关的干预手段，机械通气和尿量的变化均显著影响NOAF的风险。 BUN和SpO2：分别反映肾功能和氧合状态，对预测NOAF具有较高权重。 个例分析（Fig 5B）：SHAP力图对一个具体患者的NOAF风险预测进行了可解释。该患者的高风险主要由HFrEF、脓毒症、体重增加和年龄等变量推动，图中黄色代表对高风险的正向贡献，紫色代表负向贡献
小
结
研究目标：本研究旨在通过机器学习模型预测ICU非心脏手术患者中新发房颤（NOAF）的风险，以便于早期识别高危患者并进行干预。
数据来源与对象：使用了MIMIC-IV数据库作为训练数据，MIMIC-III子集作为外部验证数据。共计纳入16528例符合标准的ICU患者，其中1520例发生了NOAF，另有6037例患者用于外部验证。
特征选择：通过LASSO回归从众多临床变量中筛选出23个关键变量，主要包括人口学特征、实验室指标、生命体征和干预措施等。
模型构建与选择：比较了八种机器学习模型的预测效果，最终选择XGBoost模型作为最佳模型，其在内外部验证中的AUC分别为0.891和0.769，表现优于其他模型。
模型性能与临床应用：XGBoost模型在敏感性、特异性、F1分数和准确性上均表现良好，并在校准和决策曲线分析中显示出较高的临床适用性。研究确定0.6为NOAF高风险的最佳阈值。
解释性分析：使用SHAP方法揭示了模型关键变量对NOAF预测的影响。年龄、机械通气、尿量、BUN、SpO2等变量在模型中占据重要角色。
研究意义：本研究提供了一个基于机器学习的NOAF风险预测工具，具备较高的预测准确性和良好的临床应用前景。
局限性：由于研究为回顾性设计，数据可能存在遗漏或信息偏倚；另外，由于数据来源单一，还需进一步通过多中心前瞻性研究验证模型的广泛适用性。
-END-
文字丨本人点滴积累，如有补充，下方留言即可
（左下角点击“阅读原文”即可获取全文）
