基于临床生物标志物，开发并评估可用于预测ICU内非心脏原因引起的心脏骤停的可解释机器学习模型

《Genome Instability & Disease》：Development and evaluation of interpretable machine learning models for predicting in-ICU cardiac arrest from non-cardiac causes using clinical biomarkers

　　

摘要

背景

由非心脏原因引起的院内心脏骤停是一种危及生命的状况，其死亡率极高且病因复杂。尽管重症监护技术有所进步，但由于在不平衡的临床数据中难以平衡灵敏度与特异性，且机器学习模型的可解释性仍不明确，因此有效的早期预警系统依然缺乏。

方法

我们利用MIMIC-IV数据库中43,618名ICU患者的数据，开发并评估了六种机器学习算法。通过多种指标评估模型性能，并采用SHapley加性解释法来提高模型的可解释性。同时通过决策曲线分析来评估其临床实用性。

结果

不同模型之间存在不同的性能权衡。XGBoost具有最佳的区分能力（AUC=0.730，95%置信区间：0.695–0.763），而CatBoost则更注重灵敏度（0.907），以符合临床指南要求。SHAP分析表明，阴离子间隙、白细胞计数、红细胞分布宽度、格拉斯哥昏迷评分、血小板计数、部分凝血活酶时间以及红细胞计数是关键预测因子，而升高的炎症标志物和降低的神经学指标则与风险增加密切相关。

结论

梯度提升算法在预测非心脏性院内心脏骤停方面具有重要作用。这些可解释的生物标志物与已知的病理生理机制相一致，可能反映了基因组不稳定途径的下游表现，有望成为早期临床干预的目标。