基于机器学习的回顾性队列研究，用于预测接受体外膜氧合治疗的中国患者的死亡风险

《Scientific Reports》：Machine learning based retrospective cohort study to predict mortality risk in Chinese patients undergoing extracorporeal membrane oxygenation

　　

摘要

尽管体外膜氧合（ECMO）已成为危重患者的关键临时体外生命支持手段，但它伴随着较高的死亡风险。建立ECMO相关死亡的风险预测模型对于早期识别和及时干预以改善生存率至关重要。本研究旨在开发并验证一种机器学习（ML）模型，以预测入住重症监护病房（ICUs）的患者的ECMO相关死亡风险。这是一项回顾性队列研究，研究对象为在中国湖南省长沙和常德两市的三家医院的ICUs中接受ECMO治疗的18岁及以上患者，且ECMO使用时间至少为24小时。研究时间跨度为2020年1月1日至2023年12月31日，共有204名患者参与。这些患者被随机分为训练集（n=142）和验证集（n=62），比例为7:3）。使用最小绝对收缩量选择算法（LASSO）和多变量逻辑回归来筛选与死亡相关的因素。通过三种机器学习分类模型及Shapley Additive exPlanations（SHAP）解释方法来确定最优模型并评估其诊断性能。最终模型识别出以下与ECMO相关死亡有关的因素：体质指数（BMI）、APACHE II评分、吸烟史、白细胞计数（WBC）、活化部分凝血活酶时间（APTT）、红细胞分布宽度（RDW）和血小板（Plt）。高斯朴素贝叶斯（GNB）模型表现最佳，在训练集中的ROC曲线下面积（AUC）为0.906（95%置信区间：0.893–0.926），在验证集中的AUC为0.888（95%置信区间：0.75–1.00）。本研究提出了一个经过内部验证的、可解释的机器学习模型，用于预测ECMO患者的死亡风险，该模型基于特定的中国患者队列数据开发。该模型在我们的研究人群中表现出色，并成功识别出与ECMO相关死亡的关键因素。