机器学习模型助力急性缺血性卒中 ICU 患者死亡率预测

为预测急性缺血性卒中 ICU 患者院内死亡风险，研究人员开发并验证相关机器学习模型，XGBoost 表现优异。

　　急性缺血性卒中如同健康路上的 “夺命猛虎”，在美国，它是导致死亡的主要原因之一。对于入住重症监护病房（ICU）的这类患者而言，及时识别出那些死亡风险高的个体，就像是在黑暗中找到指引方向的明灯，不仅能让医疗团队合理分配宝贵的医疗资源，还能帮助做出更精准的临床决策，从而挽救更多生命。然而，传统的预后评分工具在预测院内死亡率方面存在诸多不足。像是格拉斯哥昏迷量表（Glasgow Coma Scale，GCS）、牛津急性疾病严重程度评分（Oxford Acute Severity of Illness Score，OASIS）和美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale，NIHSS），它们使用的变量有限，大多只能识别线性关系，难以准确捕捉一些复杂的非线性关系，这就好比用一把简陋的尺子去测量复杂的曲线，结果必然存在偏差。

为了攻克这些难题，来自美国波士顿贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）的研究人员展开了一项极具意义的研究。他们致力于开发并验证基于机器学习的模型，以此来预测急性缺血性卒中患者在 ICU 中的院内死亡风险，并找出与之相关的重要因素。这项研究成果发表在《Health Data Science》杂志上。

在研究过程中，研究人员运用了多种关键技术方法。他们从医学信息库（Medical Information Mart for Intensive Care-IV，MIMIC-IV）数据库中获取数据，筛选出 3489 例符合条件的急性缺血性卒中患者的住院数据。在数据处理上，进行了细致的预处理和特征工程，对各类数据进行单独处理和提取。模型训练方面，探索了随机森林（random forests）、逻辑回归（logistic regression）和 XGBoost 这 3 种机器学习模型，并运用贝叶斯优化进行超参数调优。同时，利用多种分析方法，如特征重要性分析、消融分析以及公平性评估，来深入探究模型性能和相关因素的作用。

下面来看看具体的研究结果：

• 人口统计学特征：训练集和验证集的患者在年龄、种族和性别等人口统计学特征上相似，且两组中院内死亡患者的比例均为 13.8%。
• 模型性能：通过超参数调优，XGBoost 在受试者工作特征曲线下面积（AUC ROC）和 F1 评分上表现最佳，分别达到 0.86 和 0.52，优于随机森林和逻辑回归。在测试数据上，XGBoost 同样展现出良好的泛化能力。
• 模型公平性评估：对最终调优的 XGBoost 模型进行公平性评估发现，该模型在不同性别和种族 / 民族群体中表现较为公平。在一些代表性不足的种族群体，如非西班牙裔亚裔、黑人和西班牙裔中，模型的 F1 评分和 AUC 甚至优于非西班牙裔白人参考组，但由于这些群体样本量较小，还需进一步验证。
• 特征重要性：研究确定了 15 个对 XGBoost 模型贡献最大的特征，其中 4 个最重要的特征来自 GCS 言语和运动测试的第 3 区间汇总统计数据，其他重要特征还包括血尿素氮（blood urea nitrogen，BUN）、最低呼吸频率测量值以及 GCS 和里士满躁动镇静评分（Richmond RASS score）等相关特征。
• 消融分析：通过消融分析发现，去除不同特征类别对模型性能有不同影响。去除生命体征和临床评估数据对模型影响最大，而去除药物使用数据对模型影响较小。此外，单独去除 GCS 特征并不会导致模型性能显著下降。

综合研究结论和讨论部分，这项研究成果意义非凡。XGBoost 模型在预测急性缺血性卒中患者 ICU 院内死亡率方面展现出了巨大潜力，其性能和公平性都较为出色。一旦在更广泛的地理区域和人口群体中得到外部验证，该模型有望为临床决策提供强有力的支持，帮助医生提前识别高死亡风险患者，从而采取更有针对性的治疗措施，合理分配医疗资源。不过，研究也存在一些局限性，如死亡率结局依赖医院死亡记录、数据仅来自单中心、部分患者数据被排除影响模型代表性等。但这并不影响其为后续研究指明方向，未来研究可以在多中心数据验证等方面继续探索，进一步完善对急性缺血性卒中患者的医疗支持体系，为患者的生命健康保驾护航。