换一批结合机器学习模型的早产儿ICU死亡风险评估与可解释性分析
Mortality risk assessment and interpretability analysis of preterm infants in the ICU by using machine learning models
摘要目的 利用机器学习算法预测早产儿重症监护病房(intensive care unit,ICU)死亡风险,为临床医生提供早期诊断和风险评估的辅助决策工具.方法 回顾性收集儿科重症监护数据库中早产儿病例的临床数据.基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析和多因素Logistic回归分析,筛选影响早产儿预后的关键临床特征.研究通过人工少数类过采样技术算法平衡数据,结合7种机器学习模型构建预测模型并评估其性能.使用沙普利加性解释法(Shapley additive explanations,SHAP)进行模型解释.结果 最终纳入患儿923例,生存组886例,死亡组37例,共收集38个临床特征.LASSO筛选出8个与早产儿ICU死亡密切相关的变量(乳酸、呼吸频率、氯离子浓度、中性粒细胞、红细胞分布宽度等).多因素Logistic回归分析显示乳酸、呼吸频率是早产儿ICU预后的独立影响因素.内部测试及外部验证显示轻量梯度提升机模型在准确性、精确性等指标上均优于其他模型.SHAP分析显示,呼吸频率和乳酸对早产儿死亡风险的预测贡献最大.结论 本研究为早产儿预后的早期识别和干预提供可靠工具,强调关键指标的重要性.
更多相关知识
关键词
早产儿ICU死亡风险机器学习轻量梯度提升机模型风险预测Preterm infantsICU mortality riskMachine learningLight gradient boosting machine modelRisk prediction
栏目名称
DOI
10.3969/j.issn.1673-9701.2025.18.007
发布时间
2025-07-24（万方平台首次上网日期，不代表论文的发表时间）
- 浏览4
- 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
