✦
医学科研新动向
✦
Early Prediction of Cardiac Arrest in the Intensive Care Unit Using Explainable Machine Learning: Retrospective Study
J. Med. Internet Res.
< 2024年09月17日>
研究背景
研究设计
使用了MIMIC-IV和eICU-CRD两个数据库。MIMIC-IV包括46,520名ICU患者的数据（2008-2019年），eICU-CRD包含超过200,000次ICU住院记录（2014-2015年）。 两个数据库中的数据涵盖了生命体征、实验室检查、临床事件、药物使用和生存统计等信息。
2. 数据预处理：
对生命体征（如心率、血压、呼吸率、血氧饱和度等）进行采样，将12小时的时间窗口分为12个1小时的区间，每个区间取平均值。
使用LOCF（最后观察值向前填充）和LOCB（最后观察值向后填充）方法对缺失值进行插补。
计算EWS（早期预警评分），每小时更新一次生命体征的评分，并根据医学专家确定的正常范围去除异常值。
3. 特征提取：
生命体征特征：提取12小时窗口内的标准化生命体征数据。
多分辨率统计特征：使用4小时、6小时和12小时滑动窗口生成统计特征，包括均值、最小值、最大值和标准差，捕捉不同时间段内的模式变化。
基尼指数特征：计算每个生命体征的基尼指数，衡量其在输入时间窗口内的变化不平衡度。
4. 模型开发：
TabNet分类器：该模型适用于处理表格数据，利用深度学习捕捉数据间的复杂关系。
成本敏感学习：为应对类别不平衡问题，使用成本敏感学习方法，给予心脏骤停类别更高的惩罚权重（100:1）。
特征筛选：采用递归特征消除（RFE）和Boruta方法选择最相关的特征，并结合多数投票机制筛选出86个（MIMIC-IV）和94个（eICU-CRD）特征。
4. 模型评价指标：
使用10倍交叉验证和跨数据集验证评估模型性能，主要指标包括：
AUROC（受试者工作特征曲线下面积）：衡量模型整体分类能力。 事件召回率（Event Recall, ER）：预测出的真实事件占总事件的比例。 误报率（False Alarm Rate, FAR）：无事件情况下的报警率。 敏感性（Sensitivity）：模型检测出心脏骤停的能力。
6. 模型解释性：
TabNet决策掩码：分析每个特征对模型预测的贡献，生成局部和全局特征重要性信息。
核心结果
1. 基线特征:
心脏骤停组在多个生命体征上与非心脏骤停组存在显著差异（Table 1）。
心率：心脏骤停组的平均心率显著高于非心脏骤停组（p<0.001）。在MIMIC-IV数据集中，心脏骤停组的平均心率为88.79次/分钟，非心脏骤停组为87.10次/分钟。
血氧饱和度（SpO2）：心脏骤停组的血氧饱和度略高于非心脏骤停组，差异具有统计学意义（p<0.001）。
呼吸率：两组的呼吸率差异显著（p<0.001），心脏骤停组为21.26次/分钟，非心脏骤停组为20.99次/分钟。
2. TabNet模型与基线模型的性能对比
在MIMIC-IV数据集中，TabNet模型的AUROC和敏感性显著高于传统方法：
AUROC：TabNet模型的AUROC为0.80，而NEWS（National Early Warning Score）模型为0.39，SOFA（Sequential Organ Failure Assessment）为0.59。
敏感性：TabNet模型的敏感性为0.80，NEWS为0.39，SOFA为0.59。
误报率：TabNet模型的误报率为0.77，SOFA为0.90。
在eICU-CRD数据集中，TabNet的表现同样优于传统模型：
AUROC：TabNet模型达到0.99，敏感性为0.99，误报率为0.36，远高于基线模型。
3. 跨数据集验证结果
跨数据集验证显示了TabNet模型在不同环境下的强大泛化能力：
在MIMIC-IV训练、eICU-CRD测试的情况下，TabNet模型的AUROC为0.99，敏感性为0.99，事件召回率为0.99，误报率为0.45。
反之，eICU-CRD训练、MIMIC-IV测试时，AUROC依然保持在0.99，敏感性为0.99，事件召回率为0.99，误报率为0.50。
4. 特征重要性分析
模型的特征重要性分析揭示了影响心脏骤停预测的关键特征：
生命体征：心率、血氧饱和度和体温是模型中最重要的特征。心率波动越大，基尼指数越高，说明心脏骤停前患者生命体征不稳定。
统计学结果：独立t检验和FDR校正结果显示，心率、SpO2、体温等20个特征在心脏骤停组与非心脏骤停组之间存在显著差异（p<0.001）。
5. 不同ICU类型中的模型性能
普通ICU：AUROC为0.80，敏感性为0.80，误报率为0.77。 心脏ICU：AUROC提升至0.89，敏感性为0.89，误报率降低至0.77。
小
结
这篇文章提出了一种基于解释性机器学习的模型TabNet，用于预测重症监护病房（ICU）中心脏骤停（CA）的发生。通过对MIMIC-IV和eICU-CRD数据库的患者数据进行分析，本文展示了该模型在不同ICU亚群中的稳定性和泛化能力。以下为该研究的主要发现和结论：
多分辨率特征与基尼指数的创新应用
提取生命体征的多分辨率统计特征和基尼指数，捕捉心脏骤停前的关键变化，显著提升了模型的预测能力。
TabNet模型性能优越
TabNet模型在MIMIC-IV和eICU-CRD数据集中均表现出色，在AUROC、敏感性和误报率等关键指标上显著优于传统模型，如NEWS、SOFA等。跨数据集验证
TabNet模型在跨数据集验证中表现出极强的泛化能力，无论是在MIMIC-IV训练、eICU-CRD测试，还是相反的情况下，均保持高AUROC和敏感性。模型解释性增强临床应用价值
通过TabNet的解释性分析，可以清晰了解每个特征对心脏骤停预测的贡献，特别是心率、SpO2和体温等生命体征的变化，对于临床决策具有重要意义。不同ICU亚群中的表现一致性
模型在普通ICU和心脏ICU中的表现均衡，尤其在心脏ICU中的表现尤为突出，表明该模型适用于多种ICU环境。临床应用前景
本研究展示了TabNet模型在临床早期预警系统中的应用潜力，能够提供提前24小时的心脏骤停预警，帮助在关键时刻进行及时干预，降低患者死亡率。
-END-
文字丨本人编写，如有补充，请随时告诉我
（点击左下角“阅读原文”即可获取全文）
