换一批自动化机器学习在预测重症监护病房感染患者死亡中的应用
Application of automated machine learning for predicting the death of patients with infection in intensive care unit
摘要目的 探索自动化机器学习(AutoML)在预测重症监护病房(ICU)感染患者死亡中的应用.方法 以2019～2020 年四川省自贡市重症监护病房开源数据库中感染患者作为研究对象,基于H2O平台建立AutoML死亡预测模型.算法包括梯度提升模型(GBM)、极端梯度增强算法(XGBoost)、广义线性模型(GLM)、深度学习(DL)、随机森林(RF).数据集按照3∶1 随机分为训练集和验证集,训练集用于模型的构建,验证集用于评价模型效果.模型表现指标为受试者工作特征(ROC)曲线下面积(AUC),此外通过变量重要性排序、Shapley加法解释图(SHAP)、部分依赖关系和独立模型局部解释(LIME)等方法来解释模型.结果 共计1151 和380 例患者分别被纳入训练集和验证集来进行AutoML建模.在验证集中,基于XGBoost算法的AutoML模型表现最优,拥有最高的AUC(0.753)和最高的准确率(0.713),优于第 2 名GBM模型(AUC 0.748)、第 3名GLM模型(AUC 0.745).在XGBoost模型中,重要的变量包括诊断疾病、活化部分凝血活酶时间(APTT)、胱抑素C(CysC)、年龄、肌酸激酶同工酶(CK-MB)、脑利钠肽(BNP)、国际标准化比值(INR)、钾离子(K+)、白蛋白(ALB)、乳酸(Lac).结论 通过AutoML建模在预测ICU感染患者死亡结局应用中呈现较好表现.AutoML在临床研究中具有良好的应用前景,但该模型仍需要进行广泛的外部验证.
更多相关知识
关键词
自动化机器学习重症监护室深度学习感染极端梯度增强算法(XGBoost)诊断疾病活化部分凝血活酶时间胱抑素CAutomated machine learningIntensive care unitsDeep learningInfectionExtreme gradient boosting(XGBoost)Disease diagnosisActivated partial thromboplastin timeCystatin C
栏目名称
DOI
10.3969/j.issn.1002-1949.2023.10.003
发布时间
2023-11-02（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（82000540）
苏州市科教兴卫项目（KJXW2019001）
苏州大学医学部学生课外科研项目（2021YXBKWKY050）
江苏大学临床医学科技发展基金项目（JLY2021095）
- 浏览77
- 被引4
- 下载22
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
