使用可解释的机器学习方法预测创伤患者的谵妄情况

《Scientific Reports》：Prediction of delirium in trauma patients using interpretable machine learning

　　

摘要

本研究旨在确定创伤患者发生谵妄的关键风险因素，并利用在初次就诊时收集的常规人口统计学、临床和实验室数据开发一个可解释的机器学习模型。我们分析了2015年至2023年间收治的7,806名创伤患者的数据，并构建了一个基于XGBoost的预测模型，该模型通过保留测试集进行了评估。通过Shapley加性解释方法对模型可解释性进行了评估，以量化特征贡献、阈值效应和交互作用。共有568名患者（7.3%）出现了谵妄。该模型表现出稳健的预测性能，准确率为92.0%，宏观平均AUC为0.76，微观平均AUC为0.96。SHAP分析表明，年龄、损伤严重程度评分（ISS）、乳酸脱氢酶（LDH）和估算的肾小球滤过率（eGFR）是影响谵妄风险的最重要预测因素。这些变量显示出具有临床意义的阈值效应，例如：年龄超过60岁、ISS评分大于15、LDH水平超过350 IU/L、eGFR低于90 mL/min/1.73 m2时风险增加，同时还存在显著的交互作用。总体而言，所提出的可解释机器学习模型能够有效利用常规入院数据预测创伤患者的谵妄风险，为急性创伤护理中的个性化风险评估和早期预防策略提供了透明的依据。