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：Explainable machine learning and online calculators to predict heart failure mortality in intensive care units
中文标题：可解释的机器学习和在线计算器，用于预测重症监护病房的心力衰竭死亡率
发表期刊：ESC Heart Fail .
发表时间：2024年9月
影响因子：3.2/Q2
心力衰竭 （HF） 是心脏病患者毁灭性的终末期疾病，自 1997 年以来一直被认为是一种日益严重的流行病.本研究旨在开发可解释的机器学习模型和临床工具，用于预测重症监护病房 （ICU） 心力衰竭 （HF） 患者的死亡率。
思路
从重症监护 IV 医学信息市场 （MIMIC-IV） 数据库中选择首次经历 ICU 住院时间在 24 h 至 28 天之间的 HF 患者。主要结局是 28 天内的全因死亡率。使用 Python 和 R 进行数据分析，通过最小绝对收缩和选择运算符 （LASSO） 回归进行特征选择。评估了 15 个模型，最有效的模型通过 Shapley 加法解释 （SHAP） 方法进行了解释。基于 logistic 回归开发了一个列线图，以方便解释。对于外部验证，使用了 eICU 数据库。
研究人群
纳入标准：纳入标准是被诊断患有 HF 并首次入住 ICU 的患者。
排除标准：在 ICU 停留 <24 小时或超过 28 天的患者被排除在研究之外。特征缺失超过 30% 的患者（特征提取后）也被排除在研究之外。
外部验证
在 ICU 中停留 24 h 至 28 d 的 HF 患者是从 eICU 数据库中选择的，无论他们的入院时间如何。根据所选机器学习模型的特征提取实验室和体格检查结果。去除特征缺失超过 30% 的患者。在所选模型中但不在验证队列中的特征将 （1） 替换为相关特征的值，或 （2） 用 MIMIC-IV 数据库中的中值填充。
结果分析
1. 基线特征
该研究包括 2343 例 ICU 中 HF 患者的首次入院记录，其中 1808 名幸存患者和 535 名已故患者。表 1 介绍了 HF ICU 患者的特征以及生存组和非生存组之间的差异。
2. 功能选择
我们应用 LASSO 回归并确定收缩参数 α 为 0.020（图 2A、B）。
随后，我们使用训练队列选择了 44 个特征来进一步构建机器学习模型（图 3）。
3. 机器学习模型构建
我们在训练集中使用 10 倍交叉验证，根据 44 个选定的特征构建了总共 15 个模型，并在测试队列中通过各种指标评估它们，例如准确性、AUC、召回率、精度、F1 分数、Cohen 的 kappa 分数和 MCC（表 2）。
与其他模型相比，LDA 模型表现出最高的准确性、Cohen 的 kappa 评分和 MCC。在综合考虑所有评价参数后，选择 LDA 模型作为最佳模型。图 4 显示了所选 LDA 模型的 ROC 曲线、精度-召回率曲线和测试队列的性能。一致性指数 （c-index） 是用于评估预测模型性能的指标，尤其是在生存分析和二元分类问题的背景下。对于 LDA 模型，训练队列的 c 指数达到 0.7972，测试队列的 c 指数达到 0.8125，表明区分力很强。
4. 特征说明
我们首先检查了 LDA 模型的特征重要性，结果显示乳酸、碳酸氢根离子 （HCO3 -）（血清）和二氧化碳分压 （PCO）2） （动脉） 是前 3 个最重要的特征。此外，白细胞 （WBC）、住院时间、总胆红素、无创血压平均值 （NBPm）、中性粒细胞（绝对）、动脉血氧饱和度 （SaO2） 和淋巴细胞 （差异） 也是前 10 个特征之一 （图 5A）。使用雷达图，我们显示了具有不同相对重要性的前五个预测因子（图 5B）。
5. SHAP
我们使用了 SHAP 方法使模型更易于解释。图 6 列出了前 20 个特征，该图显示老年患者、ICU 住院时间较长的患者以及 PCO 水平较高的患者2（动脉和静脉）、乳酸、部分凝血活酶时间 （PTT）、血尿素氮 （BUN）、白细胞、心率 （HR）、葡萄糖（血清）和纤维蛋白原存活的可能性较小。相反，较低的 HCO 水平3 -、 NBPm、动脉收缩压 （ABPs）、无创收缩压 （NBPs）、氧分压 （PO2）（动脉）、淋巴细胞（分类）、中性粒细胞（绝对）、血小板计数和丙氨酸转氨酶 （ALT） 表明死亡的可能性更高。
6. 基于 Web 的计算器
使用 LDA 模型开发了一个基于 Web 的计算器。该计算器可通过 https://tal-cat-28-day-all-cause-mortality-prediction-hf-predict-7rbxqk.streamlit.app/ 访问（图 7）。它利用 44 个特征来预测患者的生存状态。可以通过键入值或单击 +/- 符号来编辑列。单击底部的提交按钮后，将生成预测。
7. 外部验证
使用 KNN 算法替换缺失的数据。经过评估，LDA 模型的准确性达到 0.9064，精度为 0.8947，召回率为 0.9064，F1 得分为 0.8997。AUC （0.79） 表明已建立的 LDA 模型在外部队列中可接受的预测能力（图 8）。
8. 使用 LR 的列线图
使用 LR 构建了列线图，LR 是一种可视化工具。为了确定导致 ICU 中 HF 患者 28 天院内全因死亡率的特征，在训练队列中的生存组和非生存组之间进行了单变量分析（表3）。然后将组间差异显著的特征 （P 值 < 0.05） 进行多次 LR，结果以比值比和 95% 置信区间 （CIs） 报告。表 4 显示年龄、住院时间、HR、ABP、WBC、淋巴细胞（分类）、阴离子间隙、乳酸、BUN、PTT、肺动脉 （PA） 线 cm 标记和 PO2（动脉）是与 HF 危重患者 28 天院内死亡率相关的独立危险因素。
最后，使用多变量 LR 模型中的特征建立了一个列线图（图 9）。
还建立了预测 ICU 中 HF 患者 28 天全因死亡率的动态列线图。它是一个可公开访问的基于 Web 的计算器，可以在 https://at-c.shinyapps.io/DynNomapp/ 中找到（图 11）。
文章小结
该研究开发了一个 LDA 和一个列线图模型，用于预测 ICU 中 HF 患者的死亡率。采用 SHAP 方法阐明 LDA 模型，增强其对临床医生的实用性。这些模型可以在线访问以供临床应用。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！
