可解释机器学习预测糖尿病合并ARDS患者院内死亡:开发与外部验证
这项跨国家、多中心回顾性队列研究使用MIMIC-IV v3.1(539例)和6家中国中心(478例)数据,纳入糖尿病合并ARDS且ICU停留>24小时的成人,用LASSO回归10折交叉验证筛选特征并比较7种机器学习模型。Logistic回归内部验证AUROC最高(0.900),AUPRC 0.588,敏感度0.889,特异度0.800,Brier评分0.093;外部验证AUROC 0.757,AUPRC 0.368,Brier评分0.150。SHAP识别的关键预测因子包括HCO₃⁻、PaCO₂、年龄、体温、SpO₂、红细胞计数、血小板计数和呼吸频率。该模型有潜力作为可解释的ICU早期风险分层工具。
要点
- 适用人群为糖尿病合并ARDS且ICU停留>24小时的成人,采用2023年ARDS新全球定义;内部队列539例(MIMIC-IV),外部验证478例(6家中国中心)。
- Logistic回归内部验证AUROC 0.900、AUPRC 0.588、敏感度0.889、特异度0.800、Brier评分0.093。
- 外部验证AUROC降至0.757、AUPRC 0.368、Brier评分0.150,跨中心性能有衰减,使用前需本地验证。
- 预测风险分组越高,观察到的院内死亡率越高(校准趋势),SHAP关键预测因子包括HCO₃⁻、PaCO₂、年龄、体温、SpO₂、红细胞计数、血小板计数、呼吸频率。
- 三队列院内死亡率分别为16.9%、16.7%、20.3%,提示该亚组死亡风险高,但模型仅为预测工具,不直接改变治疗。
适用人群与场景
- 纳入:糖尿病合并ARDS的成人,且ICU停留时间>24小时;ARDS采用2023年新全球定义。
- 场景:ICU入科后24小时内;数据来源为MIMIC-IV v3.1及6家中国机构ICU数据(跨国家、多中心回顾性队列)。
诊断标准与关键阈值
- ARDS诊断采用2023年New Global Definition of ARDS。
- 预测模型输入为入ICU后24小时内首次记录的临床变量;LASSO回归(10折交叉验证)筛选特征。
- 原文未提及模型风险分层的具体阈值或启动/停止阈值。
处置流程与药物剂量
- 原文未提及具体治疗处置流程或药物剂量;本研究为预测模型开发与验证,不涉及治疗干预。
红旗征与不能漏的情况
- 原文未提及需要立刻处理或不能漏诊的红旗征及对应处理。
研究设计与关键结果
- 研究类型:跨国家、多中心回顾性队列研究;内部队列539例(MIMIC-IV v3.1),外部验证478例(6家中国中心)。
- 主要终点为院内死亡;三队列院内死亡率分别为16.9%(训练/内部验证前)、16.7%、20.3%。
- Logistic回归内部验证AUROC 0.900(最高),AUPRC 0.588,敏感度0.889,特异度0.800,Brier评分0.093。
- 外部验证:AUROC 0.757,AUPRC 0.368,Brier评分0.150。
- 预测风险分组越高,观察到的死亡率越高;SHAP关键预测因子:HCO₃⁻、PaCO₂、年龄、体温、SpO₂、红细胞计数、血小板计数、呼吸频率。
- 原文未提及关键次要终点及不良事件(观察性研究无干预相关不良事件)。
证据类型、等级与局限
- 证据类型:回顾性队列研究(预测模型开发与外部验证)。
- 局限:回顾性设计;外部验证性能较内部下降(AUROC 0.757 vs 0.900);原文未提及单中心/开放标签等其他局限。
对床旁实践的改变
- 可能改变的做法:对糖尿病合并ARDS的ICU患者,可在入ICU 24小时内用该Logistic回归模型(含HCO₃⁻、PaCO₂、年龄、体温、SpO₂、红细胞计数、血小板计数、呼吸频率等变量)做早期风险分层,辅助识别高风险患者。
- 不改变:原文未提供任何治疗推荐或阈值,不能据此启动或停止特定治疗。
- 适用人群:糖尿病合并ARDS且ICU停留>24小时的成人;不适用于非糖尿病、非ARDS或ICU停留≤24小时者(原文未纳入)。
- 常见陷阱:外部验证AUROC仅0.757,跨中心应用前需本地校准;SHAP识别的是预测因子而非因果因素;原文未给出风险分层界值,不能把模型输出直接当作决策阈值。
指南或共识出处
- 原文未提及指南或共识名称;本研究为基于MIMIC-IV v3.1及6家中国机构ICU数据的原创研究。
以上提炼依据论文摘要(全文未开放获取,或许可不允许翻译转载);全文请点「阅读原文」。
英文原文(摘要)· 点击展开
BACKGROUND: Patients with diabetes mellitus complicated by acute respiratory distress syndrome (ARDS) are a high-risk subgroup, but population-specific models for in-hospital mortality remain limited. We aimed to develop and externally validate machine learning models using the 2023 New Global Definition of ARDS.
METHODS: This cross-national, multicenter retrospective cohort study used MIMIC-IV version 3.1 and ICU data from six Chinese institutions. Adults with diabetes and ARDS who stayed in the ICU for more than 24 hours were included. Clinical variables first recorded within 24 hours after ICU admission were candidate predictors. LASSO regression with 10-fold cross-validation selected features. Seven machine learning models were compared. Performance was assessed using discrimination, calibration, Brier score, decision curve analysis, and SHAP.
RESULTS: A total of 539 MIMIC-IV patients were divided into training and internal validation sets, and 478 patients from six Chinese centers formed the external cohort. In-hospital mortality was 16.9%, 16.7%, and 20.3%, respectively. Logistic Regression achieved the highest internal AUROC (0.900), with an AUPRC of 0.588, sensitivity of 0.889, specificity of 0.800, and Brier score of 0.093. In external validation, its AUROC was 0.757, AUPRC 0.368, and Brier score 0.150. Observed mortality increased across higher predicted-risk groups. SHAP identified HCO₃⁻, PaCO₂, age, temperature, SpO₂, red blood cell count, platelet count, and respiratory rate as key predictors.
CONCLUSIONS: This study developed and externally validated machine learning models for in-hospital mortality prediction in patients with diabetes and ARDS. Logistic Regression showed potential as an interpretable early ICU risk-stratification tool.
参考来源
- Dong Y, Hou M, Wang Q, et al. Interpretable Machine Learning for In-Hospital Mortality Prediction in Patients With Diabetes and ARDS: Development and External Validation. Shock. 2026. PMID: 42704058. doi:10.1097/SHK.0000000000002937
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。