换一批机器学习算法对急性胆管炎患者28天内死亡率的预测分析
A predictive analysis of 28-day mortality in patients with acute cholangi-tis using machine learning algorithms
摘要目的:构建机器学习模型,评估并解释其对重症监护室(ICU)内急性胆管炎(AC)患者28 d内死亡率的预测效能.方法:回顾性采集了重症医学公共数据库MIMIC-Ⅳ(v3.1)收录的首次进入ICU治疗的AC患者数据,随机按照7∶3的比例分为训练集和验证集,采用最小绝对收缩和选择算子(LASSO)算法进行重要特征筛选,构建6种可监督机器学习预测模型,基于曲线下面积(AUC)确定最佳模型.分别利用受试者工作特征曲线和临床决策曲线评估最佳模型预测效能,沙普利可加性解释方法(SHAP)进行解释性分析.结果:共纳入555例AC患者,训练集388例、验证集167例.LASSO算法筛选得出5个重要特征.Catboost模型的AUC值在6种模型中达到最高,其在训练集和验证集中均表现出了良好的区分度,AUC值分别为0.850(95%CI:0.795～0.893)和0.839(95%CI:0.762～0.915);临床决策曲线提示该模型具有良好的临床净获益概率.SHAP分析表明,筛选得到的5个特征对结局的预测重要性排序依次为急性生理评分系统Ⅲ、白蛋白、红细胞分布宽度、部分凝血活酶时间及碱性磷酸酶,而且全局解释和个体解释都具有临床合理性和适用性.结论:可解释性Catboost机器学习模型对AC患者28 d死亡率具备良好的预测效能,有望为ICU医师个体化决策提供参考.
更多相关知识
关键词
急性胆管炎死亡机器学习预测模型重症监护室可解释性Acute cholangitisMortalityMachine learningPredictive modelIntensive care unitInterpretability
分类号
R631（外科感染）
栏目名称
DOI
10.3969/j.issn.1009-9905.2026.05.003
发布时间
2026-06-18（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
