多中心机器学习模型用于评估恶性肿瘤对心力衰竭患者住院死亡率的影响：一种具有可解释性人工智能功能的临床决策支持系统

《Scientific Reports》：Multicenter machine learning model for assessing the impact of malignancy on in-hospital mortality in heart failure patients: a clinical decision support system with interpretable artificial intelligence

　　

摘要

心力衰竭（HF）和恶性肿瘤是全球两大主要的健康负担，这两种疾病常常同时存在，并导致不良的临床结局。然而，恶性肿瘤对心力衰竭患者住院死亡率的具体影响尚未完全明了，目前还缺乏专门针对伴有恶性肿瘤的心力衰竭患者的可靠预测工具。这项多中心回顾性研究分析了来自eICU合作研究数据库（eICU数据库）、重症监护IV医疗信息市场（MIMIC-IV数据库）和重症监护III医疗信息市场（MIMIC-III数据库）的数据，共纳入21,403名心力衰竭患者（其中3,341人患有恶性肿瘤）。我们采用了三种分析方法：倾向得分匹配（PSM）、逆概率处理加权（IPTW）和多变量逻辑回归来评估恶性肿瘤相关的死亡风险。在预测建模方面，五种机器学习算法在eICU数据库上进行了训练（70%用于训练，30%用于内部验证），并使用MIMIC-IV和MIMIC-III数据集进行了外部验证。所有三种分析方法（PSM、IPTW和多变量回归）得出了高度一致的结果，表明恶性肿瘤显著增加了住院死亡风险（PSM：OR 1.12，95% CI 1.00–1.24；IPTW：OR 1.17，95% CI 1.04–1.31；多变量回归：OR 1.21，95% CI 1.08–1.36）。AdaBoost模型利用Boruta算法选出的19个关键预测变量进行训练，其在训练集上的AUC为0.849，在内部验证上的AUC为0.740，并且在外部验证中也保持了良好的区分能力（MIMIC-IV：AUC 0.739；MIMIC-III：AUC 0.699）。为了提高模型的可解释性，Shapley加性解释分析揭示了前五个预测变量：简化急性生理评分II、机械通气需求、心率、体温和呼吸频率。为了临床应用，我们开发了一个基于网络的计算器（网址：https://nanzihan1998.shinyapps.io/Mortality/），以便实时评估死亡风险。我们的分析表明，恶性肿瘤与心力衰竭患者的更差预后相关。我们开发了一个可解释的机器学习模型，该模型在这一高风险人群中对住院死亡风险的预测表现较为准确。这种方法可以作为未来风险分层工具的基础，但在临床应用之前需要进一步的前瞻性验证。