基于电子病历数据的可解释机器学习模型预测静脉 - 动脉体外膜肺氧合（VA-ECMO）后神经学结局的新突破

《Neurocritical Care》：A Novel, Interpretable Machine Learning Model to Predict Neurological Outcomes Following Venoarterial Extracorporeal Membrane Oxygenation

为预测静脉 - 动脉体外膜肺氧合（VA-ECMO）后神经学结局，研究人员回顾性分析单中心成年患者数据。构建 XGBoost 模型并评估，结果显示模型预测准确性高。这为 VA-ECMO 患者神经学结局预测提供了有力工具。

　　这是一项回顾性研究，研究对象为 2016 年 6 月至 2022 年 4 月在单中心接受静脉 - 动脉体外膜肺氧合（VA-ECMO）的成年（≥18 岁）患者。主要结局是良好的神经学结局，定义为出院时改良 Rankin 量表评分 0 - 3 分。研究人员从插管前 24 小时到整个 ECMO 期间，提取了 74 项生命体征、实验室值、回路和呼吸机设置的每次测量数据。开发了带有 Shapley 加性解释（Shapley Additive Explanations）的 XGBoost 模型，并采用留一法交叉验证进行评估。总体纳入 194 例接受 VA-ECMO 的患者（中位年龄 58 岁，63% 为男性），从电子病历中提取了超过 1400 万个数据点。194 例患者中，39 例（20%）有良好的神经学结局。生成了 3 个模型：模型 A 仅包含 ECMO 前的数据；模型 B 增加了 ECMO 开始 48 小时内的数据；模型 C 涵盖整个 ECMO 运行期间的数据。模型 A、B、C 的留一法交叉验证受试者工作特征曲线下面积分别为 0.72、0.81 和 0.90。纳入 ECMO 期间的生理、实验室和回路数据显著提升了模型性能。可改变和不可改变的变量，如较低的体重指数、较低的年龄、较高的平均动脉压和较高的血红蛋白水平，都与良好的神经学结局相关。这表明，从电子病历提取数据构建的可解释机器学习模型，能够精准预测接受 VA-ECMO 患者的神经学结局。