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

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1 151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(AP...