基于 XGBoost 和 SHAP 分析构建 ICU 机械通气患者压疮预测模型

《Scientific Reports》：Explainable SHAP-XGBoost models for pressure injuries among patients requiring with mechanical ventilation in intensive care unit

研究人员利用 XGBoost 结合 SHAP 分析构建模型，预测 ICU 机械通气患者压疮风险，为早期干预提供依据。

　　在重症监护病房（ICU）中，机械通气患者面临着诸多健康风险，其中压疮（Pressure injuries）的发生是一个不容忽视的问题。压疮，也被称为褥疮，就像隐藏在患者身体上的 “定时炸弹”，不仅会给患者带来额外的痛苦，延长住院时间，还会增加医疗成本，给患者家庭和医疗系统带来沉重负担。传统的压疮风险评估工具，如诺顿（Norton）和布拉登（Braden）量表，在评估机械通气患者时存在明显不足，它们难以准确评估患者的精神状态、活动水平、移动能力、感觉感知和失禁情况等，导致预测准确性大打折扣。

为了攻克这一难题，中国医学科学院肿瘤医院国家癌症中心重症监护病房等机构的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为临床防治压疮带来了新的希望。

研究人员利用了 Medical Information Mart for Intensive Care IV（MIMIC-IV，版本 2.2）这一公开数据库，从中筛选出 29,448 例机械通气的 ICU 患者作为研究对象。这些患者被分为训练集（20,614 例，70%）和内部验证集（8,834 例，30%），其中有 2,052 例患者发生了压疮。

在研究过程中，研究人员运用了多种关键技术方法。首先，他们采用了 XGBoost 算法构建预测模型。XGBoost 是一种强大的机器学习技术，在处理结构化数据方面表现出色，能够高效地分析众多因素与压疮发生之间的关系。其次，为了深入理解模型并找出影响压疮发生的关键因素，研究人员使用了 SHAP（SHapley Additive exPlanations）分析。通过计算 SHAP 值，研究人员可以清晰地了解每个特征对模型预测的贡献。此外，研究人员还运用了 R 语言进行统计分析，对缺失数据进行多重插补处理，采用多种指标评估模型性能，如受试者工作特征曲线下面积（AUC）、均方误差（MSE）等。

下面来看看具体的研究结果：

• 患者特征：研究队列包括来自 MIMIC-IV 数据库的 29,448 例机械通气 ICU 患者。训练集和验证集患者的基线特征相似，分布均衡，这为后续研究提供了可靠的基础。
• 模型性能：XGBoost 模型在预测压疮发生方面表现出色。训练集的 AUC 达到 0.797（95% CI：0.786 - 0.808），验证集的 AUC 为 0.739（95% CI：0.721 - 0.758）。模型的敏感性、特异性、精度、F1 评分等指标也表现良好，校准曲线显示模型预测结果与实际情况匹配度高，决策曲线分析表明该模型在临床实践中具有实用价值。
• SHAP 分析：通过 SHAP 分析，研究人员确定了影响压疮发生的十大因素，按重要性排序依次为：败血症（sepsis）、年龄、血小板计数、ICU 住院时间、氧合指数（PaO₂/FiO₂ ratio）、血红蛋白浓度、入院类型、肾脏疾病、白蛋白浓度和种族。

在讨论部分，研究人员指出，与传统的 Braden 量表相比，他们的模型在预测压疮风险方面更具优势，能够更有效地识别高风险患者，有助于采取针对性的预防措施。败血症被认为是影响压疮发生的最重要因素，这是因为败血症会引发全身炎症和凝血异常，影响微循环和组织灌注，进而增加皮肤破损和伤口愈合困难的风险。年龄也是一个重要的风险因素，老年人皮肤薄且弹性差，压力再分布能力弱，更容易发生压疮。此外，肾脏疾病、低氧合指数、低蛋白水平等因素也与压疮的发生密切相关。

这项研究具有重要意义。它成功开发了一种基于机器学习的预测模型，能够准确预测 ICU 机械通气患者的压疮风险。通过识别关键风险因素，医护人员可以更有针对性地对高风险患者进行监测和干预，如加强皮肤护理、使用减压设备、优化营养支持等，从而降低压疮的发生率，改善患者的预后。

然而，研究也存在一些局限性。数据来自回顾性研究，可能限制了研究结果的普遍性，且未进行外部验证。此外，部分变量如患者活动能力和具体预防措施未纳入模型。未来的研究可以进一步扩大样本范围，纳入更多变量，对模型进行外部验证，以提高模型的预测准确性和临床实用性。