基于集成学习模型预测重症患者再入重症监护病房的风险

目的: 基于集成学习算法建立患者再入重症监护病房(intensive care unit, ICU)的风险预测模型,并比较各个模型的预测性能。方法: 使用美国重症医学数据库(medical information mart for intensive care,MIMIC)-Ⅲ,根据纳入、排除标准筛选患者,提取人口学特征、生命体征、实验室检查、合并症等可能对结局有预测作用的变量,基于集成学习方法随机森林、自适应提升算法(adaptive boosting, AdaBoost)和梯度提升决策树(gradient boosting decision tree, GBDT)建立再入ICU预测模型,并比较集成学习与Logistic回归的预测性能。使用五折交叉验证后的平均灵敏度、阳性预测值、阴性预测值、假阳性率、假阴性率、受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUROC)和Brier评分评价模型效果,基于最佳性能模型给出重要性排序前10位的预测变量。结果: 所有模型中,GBDT (AUROC=0.858)优于随机森林(AUROC=0.827),略好于AdaBoost (AUROC=0.851)。与Logistic回归(AUROC=0.810)相比,集成学习算法在区分度上均有较大的提升。GBDT算法给出的变量重要性排序中,平均动脉压、收缩压、舒张压、心率、尿量、血肌酐等变量排序靠前,相对而言,再入ICU患者的心血管功能和肾功能更差。结论: 基于集成学习算法的患者再入ICU预测模型表现出较好的性能,优于Logistic回归。使用集成学习算法建立的再入ICU风险预测模型可用于识别再入ICU风险高的患者,医务人员可针对高风险患者采取干预措施,改善患者的整体临床结局。     

支持向量机在ICU急性肾损伤患者住院死亡风险预测中的应用

目的：应用支持向量机（support vector machine,SVM）构建ICU中急性肾功能损伤(acute kidney injury, AKI)患者住院死亡风险预测模型,并比较其与ICU中常用的简化急性生理评分（the simplified acute physiology score Ⅱ,SAPS-Ⅱ）的预测性能。方法：使用重症监护医学信息市场（medical information mart for intensive care Ⅲ,MIMIC-Ⅲ）数据库作为数据来源。根据2012年国际改善全球肾脏病预后组织（Kidney Disease: Improving Global Outcomes, KDIGO）发表的《急性肾损伤临床实践指南》选取MIMIC Ⅲ数据库中的AKI患者,使用SAPS-Ⅱ中所用到的全部变量构建SVM模型,同时,使用MIMIC-Ⅲ数据库定制本地化的SAPS Ⅱ模型,并比较其与SVM模型的性能优劣。模型性能的评价方法使用五折交叉验证,评价指标使用受试者工作特征曲线下面积(area under the receiver operation characteristic curve,AUROC)、均方根误差（root mean squared error,RMSE）、灵敏度、特异度和准确率。此外,使用Bland-Altman图评估两模型预测结果的一致性。结果：共纳入19 044例AKI患者,死亡率为13.58%。五折交叉验证的结果显示,SVM模型和定制版SAPS-Ⅱ模型的平均AUROC分别为0.86和0.81, 差异有统计学意义（t=13.0,P<0.001）, SVM模型和定制版SAPS-Ⅱ模型的平均RMSE分别为0.29和0.31, 差异有统计学意义（t=-9.6,P<0.001）。在灵敏度和约登指数方面,SVM模型也均优于定制版的SAPS-Ⅱ模型,差异均具有统计学意义（P分别为0.002和<0.001）。Bland Altman图显示当患者死亡风险极高或者极低时,两模型预测结果的一致性较好。当患者死亡风险的不确定性较大时,两模型预测结果的一致性较差。结论：相比于传统的SAPS-Ⅱ模型,SVM模型的预测性能更优,且当患者的死亡风险不确定时,这种优势尤其明显; SVM模型更有利于AKI患者的死亡风险识别与早期干预,能有效地帮助ICU临床医生提高医疗质量,有很强的临床应用价值。     

基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证

目的采用机器学习方法,构建重症股骨颈患者院内死亡预测模型,辅助临床医生尽早进行临床决策。方法使用公开数据库——重症监护医疗信息市场(Medical Information Mart for Intensive Care, MIMIC)Ⅲ中入住ICU的股骨颈骨折患者信息进行回顾性分析。采用SMOTE算法平衡数据集后,按7：3随机划分训练集和验证集。以患者发生院内死亡作为结局,分别构建随机森林、XGBoost和BP神经网络预测模型。模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUROC)、准确率、精确率、灵敏度和特异度进行评估,并与传统Logistic模型对比验证模型的预测价值。结果共纳入366例股骨颈骨折患者,其中院内死亡48例。按死亡组：生存组=1：1平衡数据集后共获得636例患者数据。3种机器学习模型具有较高的预测准确性,随机森林、XGBoost和BP神经网络的AUC分别为0.98、0,97和0.95,预测性能均高于传统Logistic回归模型。对特征变量重要性进行排序,得到对预测患者院内死亡风险有意义的前10个特征变量为: 维生素D、乳酸脱氢酶、肌酐、SAPSⅡ评分、血清钙、入住ICU时长、白细胞、年龄、BMI和肌酸激酶。结论使用机器学习构建的死亡风险评估模型对预测重症患者的院内死亡有着积极的意义,并为减少院内死亡,改善患者预后提供有效的依据。     

ICU重症患者脓毒症发生风险预测模型的构建与验证

目的 构建重症监护室(ICU)重症患者发生脓毒症的风险预测模型，为临床医生早期识别脓毒症患者提供工具。方法 选择2021年5月至2022年10月在山西白求恩医院ICU入住的患者为研究对象，将符合纳入标准的患者随机分为训练集和验证集。收集临床常用指标，采用Logistic回归模型，根据赤池信息准则，筛选脓毒症的独立危险因素，建立预测模型。采用受试者工作特征曲线(ROC)、校准曲线、决策曲线(DCA)对预测模型进行评价，并与单一指标的预测性能进行比较。结果 共有171名患者纳入研究，随机分为训练集139例，验证集32例。Logistic回归分析结果显示，性别(OR=0.504,95%CI 1.008～1.059),中性粒细胞计数和淋巴细胞计数比值(NLR)(OR=1.030,95%CI 1.008～1.059)和序贯器官衰竭(SOFA)评分(OR=1.179,95%CI 1.073～1.308)是ICU重症患者发生脓毒症的独立危险因素。联合预测ICU患者发生脓毒症ROC曲线下面积(AUC)为0.722(95%CI 0.637～0.807),校准曲线提示模型校准度良好，决策曲线提示模型具有临...     

深度学习技术在重症监护室患者住院死亡风险预测中的应用

目的运用深度学习方法构建ICU患者住院死亡风险智能化预测模型,并将该模型与ICU患者中普遍使用的简化急性生理评分(SAPS-II)进行预测性能比较。方法采用深度学习算法建立一种智能化的死亡风险预测模型,使用十二折交叉验证法对模型性能进行比较,选取准确率、灵敏度、特异度、约登指数、召回率等5种评价指标。结果实验结果显示,基于深度学习模型的方法比SAPS-Ⅱ在准确率、灵敏度、特异度、约登指数和召回率上分别提高1.77%、1.02%、0.49%、0.15%和1.10%。结论针对ICU患者住院死亡风险数据的非线性、复杂性和无规律性,深度学习模型比SAPS-Ⅱ表现出更好的泛化能力,具有更高的准确率,更适合对ICU患者住院死亡风险进行预测,可为医院的智能化预测提供了一种新的方向。     

全麻患者围手术期低体温风险预测模型的前瞻性、多中心研究

目的 采用低体温风险预测模型评估围手术期低体温的准确性。方法 纳入2019年10月至2021年8月在北京协和医院、北京医院和首都医科大学宣武医院择期行手术的全麻患者,美国麻醉医师学会分级Ⅰ~Ⅲ级,年龄≥18岁。通过围手术期低体温风险预测模型计算每例患者的风险因子得分,并在患者围手术期全程监测体温,保温措施由麻醉医生自行决定。采用受试者工作特征曲线的曲线下面积(AUC)、Hosmer-Lemeshow拟合优度检验和Brier评分评价低体温风险模型的预测性能。结果 在纳入分析的472例患者中,术中低体温发生率29.9%(141/472),术中采用主动保温率为26.3%(124/472)。通过验证,该模型具有良好的预测能力。在472例患者中,模型预测术中低体温AUC=0.729(95% CI=0.680~0.777);Hosmer-Lemeshow χ²=3.143,P=0.925;Brier评分0.34。其中非主动保温的患者中,模型预测AUC= 0.756(95% CI=0.704~0.808);Hosmer-Lemeshow χ²=7.457,P=0.488;Brier评分0.29。而主动保温的患者,模型预测AUC=0.747(95% CI=0.632~0.863);Hosmer-Lemeshow χ² =4.754,P=0.783;Brier评分0.47。进一步将低体温风险分为低、中、高风险组后,术中低体温发生率分别为14.4%(95% CI= 9.6%~19.1%)、36.7%(95% CI=29.9%~43.5%)和58.2%(95% CI=46.1%~70.3%),3组比较差异有统计学意义(χ² =54.112,P<0.001)。结论 围手术期低体温风险预测模型总体区分度较好,不论是否实施主动保温患者,该风险预测模型均有一定的预测准确性。     

应用机器学习算法构建心梗患者风险预测模型

目的:应用机器学习中的相关算法构建一个风险预测模型,预测急性心肌梗死患者出院后是否会有严重不良事件发生。方法:采用机器学习中的随机森林算法构建预测模型,用ROC曲线评估模型预测性能。结果:通过随机森林算法建立的风险预测模型,准确预测了急性心梗患者出院后是否发生严重不良事件。结论:该模型可以为实际临床急性心梗预后康复提供参考依据。     

基于机器学习构建放射性碘治疗疗效的预测模型

目的 基于分化型甲状腺癌(DTC)患者的临床资料及放射学参数,通过机器学习算法构建放射性碘治疗(RAI)疗效的预测模型。 方法 选取2015年12月至2020年12月于山东大学第二医院核医学科接受RAI治疗的1 642例DTC患者为研究对象,在RAI治疗结束的6个月后评估其治疗疗效,筛选与疗效相关的核心特征进行机器学习建模。将研究对象按就诊时间(2019年7月)划分为训练集(n=973)和验证集(n=669),于训练集中利用Logistic、随机森林、支持向量机、Adaboost 4种方法进行模型构建,利用受试者工作特征曲线下面积(AUC)、灵敏度和特异度评估模型的性能,绘制校准曲线及决策曲线评估模型的准确度和临床受益性,并在验证集中评估模型外部稳定性。 结果 4种模型的预测性能较高,稳定性较好,预测精度和净收益高于目前临床常规应用的肿瘤-淋巴结-转移(TNM)分期和复发风险分层。Logistic模型表现最佳,其AUC在训练集中为0.827、验证集中为0.869。 结论 基于机器学习构建的术后RAI治疗疗效预测模型有较高的预测性能,由此构建的列线图可实现个体化精准预测。     

外侧半月板腘肌腱区损伤的关节镜下分型和处理

目的: 提出外侧半月板腘肌腱区损伤的关节镜下分型,并评估关节镜下缝合钩全内缝合治疗外侧半月板腘肌腱区损伤的疗效。方法: 选取2014年4月至2017年10月因外侧半月板腘肌腱区损伤接受关节镜手术的患者146例,不包括盘状半月板患者,其中男性81例,女性65例,年龄19~44岁,平均(34.7±3.7)岁。左膝54例,右膝92例。合并有前交叉韧带损伤107例,内侧副韧带损伤39例,内侧半月板损伤48例。术前Lysholm 评分(57.7±9.2)分,国际膝关节文献委员会(International Knee Documentation Committee, IKDC))膝关节评分(54.1±8.9)分。关节镜术中依据外侧半月板腘肌腱区损伤的范围及程度进行分型,并对该区域损伤采用关节镜下缝合钩全内缝合治疗。合并前交叉韧带损伤患者,以自体腘绳肌腱作为移植物进行关节镜下前交叉韧带单束重建,内侧副韧带Ⅲ级损伤采用带线锚钉缝合治疗,内侧半月板损伤采用全内缝合修复手术。结果: 在146例外侧半月板腘肌腱区损伤的患者中,86例外侧半月板腘肌腱区撕裂未累及腘肌腱裂孔(Ⅰ型,58.9%);36例前和/或后腘半月板纤维束撕裂(Ⅱ型,24.7%); 24例撕裂累及腘肌腱裂孔(Ⅲ型,16.4%)。对于Ⅰ型,又分为三种亚型,包括Ⅰa型:纵向撕裂(n=53,61.6%),Ⅰb型:水平撕裂(n=27,31.4%),Ⅰc型:放射状撕裂(n=6,7.0%);对于Ⅱ型,也有三种亚型,包括Ⅱa型:前腘半月板纤维束撕裂(n=5,13.9%),Ⅱb型:后腘半月板纤维束撕裂(n=20,55.6%),Ⅱc型:前后腘半月板纤维束撕裂(n=11,30.6%);对于Ⅲ型,有两种亚型,包括Ⅲa型:水平撕裂(n=9,37.5%),Ⅲb型:放射状撕裂(n=15,62.5%)。所有患者平均随访(15.3±2.6)个月,在最后一次随访中,Lysholm 评分(84.6±14.3)分,IKDC评分(83.2±12.8)分,与术前评分相比均有显著改善(P<0.01)。结论: 关节镜下外侧半月板腘肌腱区损伤可分为三种类型,能较好地概括此区域损伤的特点;关节镜下缝合钩全内缝合治疗该区域损伤,可避免缝合腘肌腱或缩窄腘肌腱裂孔,有较好的临床疗效。     

循环神经网络模型在腹膜透析临床预后预测中的初步应用

目的 应用深度学习模型循环神经网络(recurrent neural network,RNN)及其变体门控循环单元(gated recurrent unit,GRU),基于临床真实数据,构建腹膜透析临床预后预测模型,并比较其与医学研究中常用的逻辑回归(logistic regression, LR)模型的预测性能,探索预测结果中可能的医学意义。方法 使用北京大学第三医院腹膜透析门诊的常规诊疗数据,基于患者在开始透析时的基线数据、随访数据和预后数据构建RNN和GRU预测模型。使用受试者工作特征曲线下面积(area under the ROC curve,AUROC)、召回率(recall)、F1分数(F1-score)三个指标在测试集上评价比较模型对患者死亡风险的预测效果。结果 共纳入656例患者,其中死亡患者261例,共计13 091条诊断记录。经过十折交叉验证调整超参数并在单独的测试集测试结果显示,LR模型、RNN模型、GRU模型的AUROC分别为0.701 4、0.786 0、0.814 7,RNN和GRU模型的预测性能显著优于传统的LR模型。在召回率和F1分数方面,RNN和GRU模型的性能也均显著优于LR模型,且GRU模型表现最好。进一步分析显示GRU模型在不同预测窗口下对于不同死因或相同死因的召回率不尽相同。结论 RNN模型(尤其是GRU模型)相比于传统医学研究所使用的LR模型,对于腹膜透析临床预后预测具有更佳效果,可能有助于医生早期干预,提高医疗质量,具有很强的临床应用价值。     

基于机器学习算法的重症缺血性脑卒中早期死亡预测效果评价

目的 评价支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)3种机器学习算法与Logistic回归在重症缺血性脑卒中30天死亡结局的预测效果。方法 使用2008年至2019年MIMIC-IV数据库中符合纳排标准的2358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与Logistic回归结合合成少数类过采样(SMOTE)技术建立早期死亡预测模型,并使用通过受试者工作特征曲线下面积(AUC)、准确度、F1-score、布里尔分数等指标评价预测效果。结果 SVM、随机森林、XGBoost与Logistic回归模型在原始类不平衡数据死亡预测中AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与Logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM 外,机器学习算法与Logistic回归之间有相似的预测能力,但准确率、布里尔分数等优于Logistic回归,综合分类性能更优。结论 机器学习算法在重症缺血性脑卒中早期死亡预测中性能较传统方法更优,在解决重症患者预后预测研究问题中具有优势。     

基于电子病历的重症老年患者急性肾损伤连续风险预测研究

目的 探索重症老年患者(≥60岁)急性肾损伤早期连续风险预测的可行性,促进机器学习在临床决策支持中的应用。具体实现以6 h为单位连续预测重症老年患者在未来48 h的急性肾损伤发病风险,并探索可实现何种程度的早期预测,以及比较当前数据和累积数据的预测效果。方法 基于重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ,应用逻辑回归、支持向量机、随机森林和轻量梯度提升机(light gradient boosting machine,LightGBM)建模预测。基于曲线下面积(area under curve,AUC)、精确度和召回率进行结果评估。结果 共11 261条重症老年患者记录纳入研究。基于当前6 h数据预测时,LightGBM的AUC达0.845~0.925,随机森林、支持向量机和逻辑回归的最高AUC均低于0.73。基于入重症监护病房最初6 h数据,LightGBM效果最好,AUC达0.845。LightGBM应用当前数据比累积数据获得更高的AUC、精确度和召回率,随机森林、支持向量机和逻辑回归反之。结论 利用LightGBM对重症老年患者进行急性肾损伤早期连续预测切实可行,仅基于重症监护病房前6 h数据的预测结果就可以达到24 h积累数据的预测效果。此外,不同模型对数据的接收能力和适用性不同,LightGBM在当前数据中表现优于累积数据,其他3种模型在累积数据中表现优于当前数据。     

扩展Cox模型在非线性生存资料分析中的预测能力比较

目的 系统性地比较两类扩展Cox模型的预测能力，观察它们应用于非线性生存数据中的预测能力优劣。方法 通过蒙特卡罗模拟和实证研究从预测能力方面研究比较限制性立方样条Cox模型（Cox_ RCS），深度生存神经网络Cox模型（Cox_DNN）这两种方法的优劣；并以传统Cox模型（Cox）和随机生存森林（RSF）作为参照。其中预测的区分度评价指标采用一致性指数（C-index），该指标越大，模型预测能力越好；预测的校准度评价指标采用积分布莱尔评分（IBS），该指标越小，模型预测能力越好。结果 在数据满足比例风险的情况下，无论样本量和删失率大小，Cox_RCS的预测能力都是最好的。在数据不满足比例风险的情况下，Cox_DNN的预测能力在大样本（本文中≥500）、低删失（本文中<40%）时是最优的，其余情况Cox_RCS的预测能力优于其他模型。在实例数据中，Cox_RCS 的表现是最优。结论 在含有非线性关系的低维生存数据中，Cox_RCS 和Cox_DNN在预测能力上各有优劣。因此可根据实际数据条件选择合适的分析方法，传统的生存分析方法在特定条件下并不差于机器学习以及深度学习方法。     

Prediction of Clinical Conditions after Coronary Bypass Surgery using Dynamic Data Analysis

This work studies the impact of using dynamic information as features in a machine learning algorithm for the prediction task of classifying critically ill patients in two classes according to the time they need to reach a stable state after coronary bypass surgery: less or more than 9 h. On the basis of five physiological variables (heart rate, systolic arterial blood pressure, systolic pulmonary pressure, blood temperature and oxygen saturation), different dynamic features were extracted, namely the means and standard deviations at different moments in time, coefficients of multivariate autoregressive models and cepstral coefficients. These sets of features served subsequently as inputs for a Gaussian process and the prediction results were compared with the case where only admission data was used for the classification. The dynamic features, especially the cepstral coefficients (aROC: 0.749, Brier score: 0.206), resulted in higher performances when compared to static admission data (aROC: 0.547, Brier score: 0.247). The differences in performance are shown to be significant. In all cases, the Gaussian process classifier outperformed to logistic regression.     

Developing machine learning models to personalize care levels among emergency room patients for hospital admission

ObjectiveTo develop prediction models for intensive care unit (ICU) vs non-ICU level-of-care need within 24 hours of inpatient admission for emergency department (ED) patients using electronic health record data.Materials and MethodsUsing records of 41 654 ED visits to a tertiary academic center from 2015 to 2019, we tested 4 algorithms—feed-forward neural networks, regularized regression, random forests, and gradient-boosted trees—to predict ICU vs non-ICU level-of-care within 24 hours and at the 24th hour following admission. Simple-feature models included patient demographics, Emergency Severity Index (ESI), and vital sign summary. Complex-feature models added all vital signs, lab results, and counts of diagnosis, imaging, procedures, medications, and lab orders.ResultsThe best-performing model, a gradient-boosted tree using a full feature set, achieved an AUROC of 0.88 (95%CI: 0.87–0.89) and AUPRC of 0.65 (95%CI: 0.63–0.68) for predicting ICU care need within 24 hours of admission. The logistic regression model using ESI achieved an AUROC of 0.67 (95%CI: 0.65–0.70) and AUPRC of 0.37 (95%CI: 0.35–0.40). Using a discrimination threshold, such as 0.6, the positive predictive value, negative predictive value, sensitivity, and specificity were 85%, 89%, 30%, and 99%, respectively. Vital signs were the most important predictors.Discussion and ConclusionsUndertriaging admitted ED patients who subsequently require ICU care is common and associated with poorer outcomes. Machine learning models using readily available electronic health record data predict subsequent need for ICU admission with good discrimination, substantially better than the benchmarking ESI system. The results could be used in a multitiered clinical decision-support system to improve ED triage.