重症监护病房（ICU）中败血症的早期预测：使用MIMIC-III数据库对多种机器学习算法的比较分析

《BMC Medical Informatics and Decision Making》：Early prediction of sepsis in the ICU: a comparative analysis of multiple machine-learning algorithms using the MIMIC-III database

　　

摘要

败血症是一种负担沉重且具有高度异质性的临床难题，影响着高达30%的重症监护病房（ICU）患者。可靠的早期预测对于及时干预和改善治疗结果至关重要。我们的目标是开发并验证一种机器学习模型，以预测患者在入住ICU后24小时内的败血症发作情况。相关数据来自“重症监护医学信息市场III”（MIMIC-III）数据库。特征选择采用了Boruta算法。我们训练了九种算法——XGBoost-DART、高斯朴素贝叶斯、LightGBM-DART、随机森林、AdaBoost、多层感知器（MLP）、支持向量机（SVM-RBF）、k近邻（KNN）和岭回归，并从区分度、校准度和临床实用性等方面对这些算法进行了全面评估。对于训练集中的类别不平衡问题，我们使用了SMOTE方法进行处理；对于部分算法，还采用了成本敏感学习技术。在纳入的1,634名ICU患者中（排除了在入住后24小时内符合败血症诊断标准的患者），有349人（21.4%）在24小时观察期后发展为败血症。这九种模型的AUC值介于0.794到0.881之间。其中，XGBoost-DART的AUC值最高（0.881，95%置信区间：0.854–0.908），同时其准确率（0.847）、F1分数（0.762）和特异性（0.897）也最为优异。决策曲线分析表明，XGBoost-DART在广泛的阈值概率范围内都能带来最大的净收益，凸显了其强大的临床实用性。总之，机器学习模型为ICU中的早期败血症预测提供了可靠的工具。凭借出色的性能，XGBoost-DART模型能够帮助临床医生识别高风险患者，并及时采取干预措施，从而降低死亡率。