文献速递重症综合管理与镇静镇痛呼吸衰竭与机械通气

机器学习识别多中心COVID-19队列的ICU结局预测因素

Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort.
PubMed 文献 · Crit Care · 2021-08-17
一句话结论在27家德国医院1039例COVID-19 ICU患者中,可解释增强机模型对ICU生存预测的PR-AUC为0.81,年龄、血小板/中性粒细胞比、D-二聚体、氧合指数和ARDS严重度是最重要预测因素。

这项多中心回顾-前瞻性队列研究纳入27家德国医院1186例PCR确诊COVID-19 ICU患者,最终1039例用于机器学习建模(回顾性596例、前瞻性443例)。采用可解释增强机模型基于49个变量预测ICU生存、ECMO需求和肾脏替代治疗需求。ICU生存预测模型PR-AUC为0.81、平衡准确度0.64,最重要的预测因素包括年龄、血小板/中性粒细胞比、D-二聚体、氧合指数、血红蛋白、降钙素原和Murray肺损伤评分。ECMO预测模型PR-AUC为0.69、平衡准确度0.73,肾脏替代治疗预测模型PR-AUC良好。该研究提供了各预测因素的非线性形状函数和交互作用可视化,但尚未在前瞻性外部队列中验证为床旁决策工具。

要点

  • ICU生存预测模型PR-AUC为0.81、平衡准确度0.64,基于入院时变量,包括年龄、血小板/中性粒细胞比、D-二聚体、氧合指数等。
  • 年龄是最重要预测因素,生存改善向恶化过渡的转折点在61岁(CI 60–62),首次恶化在34.7岁(CI 31–35)。
  • 血小板/中性粒细胞比高于43.7(CI 19.6–44.1)与ICU生存恶化相关;D-二聚体高于4.06 µg/ml(CI 3.78–4.07)对生存有负面影响。
  • 氧合指数低于85(CI 84–86)对ICU生存负面影响最大,高于163–172时生存改善。
  • ECMO预测模型PR-AUC为0.69、平衡准确度0.73,年龄低于70岁(CI 69–75)、入院时已插管、外院转入和Murray肺损伤评分高于2.8与ECMO需求相关。

适用人群与场景

  • 18岁及以上、因COVID-19(SARS-CoV-2 PCR阳性)需ICU治疗的成人患者,来自27家德国医院(24家大学医院、3家地区医院),回顾性队列纳入2020年1月1日至7月31日,前瞻性队列纳入2020年9月29日至2021年5月4日。
  • 排除:ICU治疗期间患者或法定代理人要求停止ICU级别治疗者(107例,8.3%)从预测因素分析中排除;转至其他ICU者(147例)因最终ICU结局未知从生存预测中排除;慢性透析患者在肾脏替代治疗预测模型生成前被排除。

诊断标准与关键阈值

  • ARDS按柏林定义以PaO2/FiO2分级:轻度16.6%、中度47.3%、重度28.4%(1154例有ARDS分级数据)。
  • SOFA评分计算时不含Glasgow昏迷评分(GCS),以便插管与自主呼吸患者可比。
  • Murray肺损伤评分按已发表方法计算;静态顺应性和驱动压按已发表方法计算。
  • 机器学习模型使用49个变量;缺失数据超过30%的变量被排除。

处置流程与药物剂量

  • 原文未提及具体药物剂量、给药途径、频次或目标值。
  • 原文未提及基于该模型的具体处置流程或治疗推荐。

红旗征与不能漏的情况

  • 年龄大于61岁(转折点,CI 60–62)与ICU生存恶化相关。
  • 血小板/中性粒细胞比高于43.7(CI 19.6–44.1)与ICU生存恶化相关。
  • D-二聚体高于4.06 µg/ml(CI 3.78–4.07)对ICU生存有负面影响。
  • 氧合指数(PaO2/FiO2)低于85(CI 84–86)对ICU生存负面影响最大。
  • 肌酐高于1.3 mg/dl或SOFA评分(不含GCS)高于5与ICU期间需要肾脏替代治疗风险增高相关。
  • Murray肺损伤评分高于2.8与ECMO治疗风险增高相关。

研究设计与关键结果

  • 研究类型:多中心回顾-前瞻性队列研究,27家德国医院,1186例招募,1039例纳入可解释增强机模型(回顾性596例、前瞻性443例)。
  • 人群:COVID-19 ICU成人患者,男性71.9%、女性28.1%,中位年龄63岁(IQR 54–73);总体ICU死亡率为34%,中位ICU住院时间15天(IQR 7–30天)。
  • 干预与对照:无干预对照;比较不同机器学习模型(支持向量分类器、随机森林、可解释增强机)对ICU结局的预测性能。
  • 主要终点结果:ICU生存预测模型PR-AUC为0.81、平衡准确度0.64;ECMO预测模型PR-AUC为0.69、平衡准确度0.73;肾脏替代治疗预测模型PR-AUC良好(原文未给出具体数值)。
  • 关键次要终点:ECMO使用率22%,中位持续时间16天(IQR 9–26);95%为静脉-静脉ECMO,2%为静脉-动脉ECMO,3%从静脉-静脉转为静脉-动脉;非慢性透析患者中39.3%接受肾脏替代治疗/透析。
  • 不良事件:原文未提及。

证据类型、等级与局限

  • 证据类型:多中心回顾-前瞻性队列研究(非RCT),使用机器学习预测建模。
  • 证据等级或推荐强度:原文未提及正式证据分级或推荐强度。
  • 局限:原文指出未能纳入更多患者;数据为人工收集和整理;不同结局的预测性能不同,可能因数据集对生存预测包含更多信息;ECMO或肾脏替代治疗预测可能未纳入更优变量;生存预测在回顾性与前瞻性数据集间验证基本一致,但全文截断处未完整呈现。

对床旁实践的改变

  • 该模型可用于COVID-19 ICU患者入院时风险分层,辅助识别ICU生存概率较低者(年龄大于61岁、血小板/中性粒细胞比高于43.7、D-二聚体高于4.06 µg/ml、氧合指数低于85)。
  • 模型可辅助预判ECMO需求(年龄低于70岁、入院时已插管、外院转入、Murray肺损伤评分高于2.8)和肾脏替代治疗需求(年龄与D-二聚体交互、肌酐高于1.3 mg/dl、SOFA评分不含GCS高于5)。
  • 原文未提供外部验证或床旁决策阈值,模型预测值不能直接作为治疗启动或停止的决策阈值;慢性透析患者不适用于肾脏替代治疗预测模型。

指南或共识出处

  • 原文未提及具体指南或共识名称;研究注册于ClinicalTrials.gov(NCT04455451)。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Crit Care. 2021 Aug 17;25:295. doi: 10.1186/s13054-021-03720-4

背景

COVID-19大流行于2020年春季袭击德国,自那时起,重症监护资源至今仍被大量使用[1]。尽管大量SARS-CoV-2患者需要入住重症监护病房(ICU),但德国的ICU容量并未被超出。然而,风险分层和结局预测仍然具有挑战性。多位研究者报告了这一时期他们的ICU COVID-19经验,但这些数据显示所报告的病例数和结局存在很大差异[2–16]。

这些报告中很少有尝试确定预测发病率、死亡率和总体临床结局的危险因素。这可能是由于(1)大流行早期报告的数据集不完整,因为许多患者仍在接受SARS-CoV-2感染的重症监护[10, 13, 15, 16],和/或(2)数据集因在局部/区域ICU容量耗尽的情况下需要对患者进行ICU治疗分诊而产生偏倚[7, 10, 14, 15]。尽管如此,共识是SARS-CoV-2 ICU患者经历了漫长的ICU住院时间,ICU死亡率在25%至41%之间[14, 17]。经典统计分析在这些患者群体中确定了危险因素,包括年龄、肾功能、肺部受损程度和急性呼吸窘迫综合征(ARDS)的严重程度。但标准统计技术在整合多种数据类型(如既往病史、ICU治疗干预等)与临床结局变量之间的关系方面能力有限[18]。

为克服这些局限性,我们采用机器学习方法来优化个体COVID-19 ICU患者的风险分层和总体结局预测。近期已有研究表明,机器学习(ML)算法结合大量具有非线性关系的多维变量可能在临床结局预测中具有优势。研究发现机器学习策略优于心血管病理中通常使用的经典结局预测方法[18, 19]。为利用这种优越的结局预测技术,我们研究了在27家德国医院接受ICU治疗的1186例PCR确诊COVID-19患者,这些患者通过回顾性和前瞻性方式入组。本研究的目的是探讨ML是否能为COVID-19 ICU患者的结局预测提供额外且可解释的见解,并对已确定的结局因素进行权衡。

方法

研究设计、设置和参与者

这项多中心回顾性—前瞻性队列研究由27家参与的德国医院共同开展(附加文件1:表E1和图1)。研究获得了参与医院机构审查委员会的伦理批准。该研究在“ClinicalTrials”(clinicaltrials.gov)注册,注册号为NCT04455451。纳入本研究的是2020年1月1日至2021年5月4日期间在参与中心需要入住ICU的18岁及以上COVID-19患者。患者以回顾性(2020年1月1日至2020年7月31日)或前瞻性(2020年9月29日至2021年5月4日)方式招募。纳入标准为因COVID-19需要ICU治疗且经SARS-CoV-2 PCR检测阳性确诊。当地研究者确认了所有录入数据的准确性和完整性。使用安全的电子研究数据采集系统(REDCap)以假名化方式收集和管理研究数据[20, 21]。

表1 纳入研究的N = 1186例患者的临床特征;临床和实验室参数 查看原表 ↗
图1 纳入研究人群的患者描述性数据。(n = 596回顾性队列和n = 443前瞻性队列)。A 年龄分布 B 入院时Horovitz指数 C 入院时Murray肺损伤评分和不含GCS的SOFA评分 D 生存率 E Murray肺损伤评分与入院状态的交互作用 F 实验室值。灰色表示未存活ICU治疗的患者,橙色表示存活ICU治疗的患者 查看原图 ↗

变量和测量

在数据收集过程中,收集了人口学数据、既往病史、既往用药、当前疾病数据、实验室值以及结局数据。共有49个变量用于机器学习(ML)模型(附加文件1:表E8)。

为使插管患者和自主呼吸患者具有可比性,计算序贯器官衰竭评估(SOFA)评分时不纳入格拉斯哥昏迷量表(GCS)[22]。Murray肺损伤评分按既往发表的方法计算[23]。静态顺应性和驱动压按既往描述的方法计算[24]。实验室值转换为统一单位以便分析。自主呼吸患者的供氧转换为估算FiO2(附加文件1:表E2)。

表2 机器学习模型对ICU结局预测的总体性能 查看原表 ↗

偏倚管理

停止ICU治疗

107例(8.3%)患者或其法定代表人在ICU住院期间要求停止ICU级别治疗。这些患者中大多数在ICU住院期间死亡(n = 95,88.8%)。为避免预测因素分析中的偏倚,该患者组被排除在进一步分析之外(患者特征请见附加文件1:表E5)。有3例患者这些数据不可获得,他们被排除在分析之外。

用于ML的数据集

在最终研究纳入的1186例患者中(表1),147例被转入另一个ICU。由于研究设计,该亚组患者的最终ICU结局未知。为避免生存预测中的偏倚,这些患者被排除,因此ML模型在1039例(完整队列)、596例(回顾性队列)和443例(前瞻性队列)患者上进行了训练。

统计分析

对观察参数的分布进行了评估。基于分布图对临床有效性进行视觉评估以排除离群值(排除的数据点见附加文件1:表E3)。对所有患者的基线特征进行了评估。连续变量若呈正态分布则以均数和标准差(SD)表示,若非正态分布则以中位数和四分位距(IQR)表示。在进行Student t检验或Wilcoxon秩和检验之前先使用Shapiro-Wilk检验。Kaplan-Meier估计值使用Log-Rank检验进行比较。分类变量使用Fisher精确检验进行比较。未进行样本量计算。研究样本量由招募期内可获得的数据集确定。所有统计分析均在R(版本4.0.3)和JMP(版本15.2.0,SAS Institute,Cary,美国)中进行。

机器学习过程描述

在机器学习(ML)中变量被称为特征,但为保持一致性我们将称其为变量。关于机器学习过程的详细描述请参见附加文件1:表E7。我们使用80%的数据进行训练、20%的数据进行测试,通过五折分层交叉验证(CV)训练了支持向量分类器(SVC)、随机森林分类器(RF)和可解释提升机(EBM)。我们排除了缺失数据超过30%的变量(见附加文件1:表E7)。对于所有ML方法,我们对分类数据应用了独热编码,即为每个类别(包括缺失值)创建指示列。我们将布尔数据转换为数值零和一。我们使用嵌套CV技术对所有ML算法进行了超参数优化[25]。模型性能以交叉验证每折的平衡准确度和精确率-召回率曲线下面积(PR-AUC)的平均值进行评估。常规准确度或AUC会偏向于过度代表的类别(“存活”)。鉴于结局变量不平衡,为验证结果的稳健性,我们对结局“存活”同时使用了过采样和欠采样。对于过采样,从欠代表类别(此处为“非存活”)中随机添加观测值至数据集中。对于欠采样,将过代表类别(此处为“存活”)随机缩减至与欠代表类别相同的规模。我们将变量重要性排序和形状函数与回顾性数据集上五折分层CV每次运行的结果进行了比较。每次运行的结果相同(数据未展示)。我们进一步通过在回顾性数据上以五折CV进行超参数优化(RF和SVC)训练ML模型并预测前瞻性数据的结局来验证结果(见表2)。

对于本文所呈现的结果,我们在完整数据集(回顾性和前瞻性)上训练了EBM。

使用可解释提升机模型的理由

EBMs建立在形式为的广义相加模型(GAM)之上,其中为链接函数,为变量的形状函数,i为变量的权重,每个变量通过该权重影响模型。在分类问题中,链接函数为逻辑函数[26]。由于模型是加性的,每个变量以模块化方式贡献。这使得可以轻松解释变量对预测的影响(见图2A)。对每个变量使用形状函数的想法允许变量与结局预测之间存在复杂关系(甚至非线性)(见图2B)。因此,GAMs可以比简单线性模型显著更准确[27]。我们使用EBMs,因为它们还采用了现代机器学习技术,如bagging和boosting,并且性能与最先进的ML技术(如RF)相当[27, 28]。ML模型的总体性能通过平衡准确度和PR-AUC评估(表2)。

图2 EBM预测模型显示预测COVID-19 ICU患者“生存”的风险因素重要性,包括入院数据。顶部 A 分析入院数据后对结局显著的 risk 因素,并根据其对结局的重要性加权。底部)B 年龄对结局的重要性及年龄数据分布 C 血小板/中性粒细胞比值及入院时数据分布 D 入院时测定的初始D-二聚体血清值及数据分布 E Horovitz商(PaO2/FiO2)对结局的重要性及入院时数据分布 F 入院时初始血红蛋白值及数据分布 G 入院时初始降钙素原(PCT)血清值及数据分布。灰色表示未存活ICU治疗的患者,橙色表示存活ICU治疗的患者 查看原图 ↗

结果

参与中心与护理级别

27个ICU参与了本观察性研究,包括来自大学医院的24个ICU和来自区域初级和二级护理医院的3个ICU(附加文件1:表E1,图E1)。所有需要ICU治疗的患者均可获得完整治疗可能性,包括通气、肾脏替代治疗(RRT)和体外膜肺氧合(ECMO)。

患者特征及ICU入院时状态

研究共纳入1186例患者(患者筛选流程图,附加文件1:图E2),其中回顾性队列713例,前瞻性队列473例。总体患者特征、疾病严重程度和器官衰竭情况见表1和附加文件1:表E4。参与研究的ICU收治的男性患者(71.9%)是女性患者(28.1%)的两倍。中位年龄为63岁(IQR 54至73),180例患者(15.2%)年龄低于50岁,6例患者(0.5%)年龄高于90岁。年龄分布和基线参数见图1。按患者年龄分层的ICU生存概率Kaplan-Meier曲线见附加文件1:图E3a。入ICU时,通过氧气面罩自主呼吸、无创辅助通气或有创通气的患者分别占47.2%、11%、41.7%。有1154例患者(97.3%)具备ARDS严重程度分级数据。根据柏林定义,使用PaO2/FiO2指数将ARDS分为轻度(16.6%)、中度(47.3%)或重度(28.4%)[29]。附加文件1:图E3b提供了按ARDS严重程度分层的ICU生存概率Kaplan-Meier曲线。

图3 EBM预测模型,展示预测COVID-19 ICU患者需要ECMO或RRT的风险因素的重要性,包括入院数据。(a) ECMO治疗 左)分析入院数据后得出的显著预后风险因素,并根据其对预后的重要性进行加权。右 B)年龄对预后的重要性及年龄数据分布 C)入ICU时“已插管”状态的重要性及状态分布 D)入ICU时“外院转入”状态的重要性及状态分布 E)Murray肺损伤评分的重要性及MLIS数据分布。绿色表示未接受ECMO治疗的患者,橙色表示接受了ECMO治疗的患者。(b) 肾脏替代治疗(RRT)。左 A)分析入院数据后得出的显著预后风险因素,并根据其对预后的重要性进行加权。右 B)年龄与D-二聚体水平交互作用对预后的重要性及数据分布 C)入院时测定的初始肌酐值及数据分布 D)入ICU时测定的初始SOFA评分(不含GCS)及数据分布。蓝色表示未接受RRT的患者,红色表示接受了RRT的患者 查看原图 ↗

患者结局

所有纳入患者的总体ICU死亡率为34%。ICU住院时间中位数为15天(IQR 7至30天)。女性患者死亡率(27.6%)显著低于男性患者(36.5%)(p = 0.0041)。80多岁患者死亡率最高,观察到的死亡率为45.7%(附加文件1:图E3a)。22%的患者接受了ECMO治疗(回顾性队列为21%,前瞻性队列为23.5%),中位持续时间为16天(IQR 9至26)。95%的患者接受静脉-静脉ECMO,2%的患者接受静脉-动脉ECMO,3%的患者从静脉-静脉ECMO转换为静脉-动脉ECMO。接受ECMO治疗的患者显著年轻于未接受ECMO治疗的患者(57(IQR 49至65)岁 vs. 66(IQR 56至76)岁;p < 0.0001)。39.3%在入ICU前未接受长期透析的患者在ICU住院期间接受了RRT/透析治疗(回顾性队列为41.7%,前瞻性队列为35.8%)。

EBM模型对ICU生存的预测

不同机器学习模型的总体性能,包括平衡准确率和精确召回曲线下面积(PR-AUC)的结果见表2。基于反映ICU入院时状态的变量的EBM模型(附加文件1:表E8)产生了0.81的高精确召回曲线下面积(PR-AUC)和0.64的中等平衡准确率(附加文件1:图E4a)。入院模型中最重要的十个预测变量按其预测重要性依次为:年龄、血小板/中性粒细胞比值、D-二聚体、Horowitz商、血红蛋白、降钙素原、Murray肺损伤评分、血小板计数、C反应蛋白与白细胞介素-6的交互作用以及绝对淋巴细胞计数(图2)。患者的合并症不在最重要的十五个变量之列。如年龄变量的形状函数所示,在61岁(置信区间(CI)60至62)时生存从改善过渡到恶化,首次恶化出现在34.7岁(CI 31至35)。血小板/中性粒细胞比值是第二重要的参数,比值高于43.7(CI 19.6至44.1)时结局恶化。例如,D-二聚体升高在水平高于4.06 µg/ml(CI 3.78至4.07)时对ICU生存产生负面影响。低Horovitz商对ICU生存显示负面影响,PaO2/FiO2商低于85(CI 84至86)时影响最差,高于163至172时生存改善。EBM模型的总体性能和结果在不同数据集(完整、前瞻性和回顾性)中相似(附加文件1:表E9、图E5a)。

EBM模型对ECMO治疗需求的预测

用于预测ECMO治疗的EBM模型产生了良好的PR-AUC为0.69和良好的平衡准确率为0.73。根据预测重要性,与ECMO治疗相关的最重要五个参数为:年龄、ICU入院时通气状态“已插管”、外院转入、Murray肺损伤评分和内院转入(风险降低)(图3a)。年龄因素的形状函数显示70岁(CI 69至75)以下ECMO治疗风险较高。Murray肺损伤评分高于2.8(无CI)导致ECMO治疗风险较高。外院转入的患者接受ECMO治疗的风险较高。EBM模型与重要变量的选定形状函数的比较显示了相似的结果(附加文件1:表E9和图E5b)。

EBM模型对肾脏替代治疗的预测

在接受EBM模型生成之前,慢性透析患者已被排除。基于完整数据集的EBM模型获得了良好的PR-AUC(附加文件1:图E4c)。根据预测重要性,五个最重要的参数是:年龄与D-二聚体水平的交互作用、肌酐水平、不含GCS的SOFA评分、BMI与肌酐的交互作用以及血小板/中性粒细胞比值(图3b)。年龄低于约65岁且D-二聚体升高的患者需要RRT的风险更高(见补充图3b中年龄与D-二聚体交互作用的热图)。ICU入院时肌酐水平高于1.3 mg/dl(无CI)以及不含GCS的SOFA评分高于5(无CI)导致ICU住院期间接受RRT的风险更高。在所有EBM模型中,肌酐和胆红素水平呈反向相关关系。

讨论

在这项多中心回顾性—前瞻性队列研究中,我们使用机器学习方法对49个变量进行分析,识别并权衡了COVID-19结局的可能预测因素。使用本研究的ML方法,我们证实了既往报道的因素,并将知识扩展到可能预测COVID-19患者结局的新因素和因素组合。每个变量的形状函数显示了该变量对结局预测的个体影响。对于ICU生存,这些因素包括年龄、血小板/中性粒细胞比值、D-二聚体和ARDS严重程度。预测RRT需求的最重要因素包括年龄与D-二聚体的组合、肌酐水平以及不含GCS的SOFA评分。

既往研究显示,年龄较大、肥胖、糖尿病、免疫功能受损、较低的PaO2/FiO2、ICU入院时较高的血流动力学和肾脏SOFA评分与COVID-19的90天死亡率独立相关[14]。其他研究者也报告了这一点,但他们既未给出个体截断值,也未权衡所识别因素的个体重要性[30, 31]。为排除进行逻辑回归时所见的早期效应或晚期效应,我们纳入了为队列收集的几乎所有入院变量。影响结局的变量选择可在机器学习(ML)模型中执行,但其重要性不如逻辑回归那样关键。我们在证据平衡模型(EBM)的决策过程中未进行此类变量选择。在我们的分析中,我们得以确认年龄和入院时肺功能是COVID-19 ICU患者的重要预测因素。目前的形状函数清楚地显示了预测因素与结局变量之间的非线性关联。例如,患者年龄作为最重要的预测因素,显示61岁以下ICU存活机会较高。此外,机器学习方法将ICU入院时的D-二聚体水平和血小板/中性粒细胞比值确定为重要因素。这在已报道的COVID-19患者血栓性并发症背景下尤其有意义[32, 33]。中性粒细胞活化后与血小板结合形成血小板-中性粒细胞复合物(PNCs),激活两种细胞类型。这些PNCs增强炎症、增加中性粒细胞胞外诱捕网形成,并导致微血栓形成[34, 35]。观察D-二聚体水平时同样适用。高D-二聚体水平反映炎症激活以及伴有中性粒细胞胞外诱捕网形成的微血栓形成。因此我们可以说,我们的数据反映了转化科学中已知的炎症标志物,并证实了它们与结局的相关性[35]。

在日常临床实践中,评估重症监护患者的后续病程具有重要临床意义,例如是否需要肾脏替代治疗或体外膜肺氧合(ECMO)治疗。本研究中预测需要ECMO治疗的机器学习(ML)模型将年龄和肺部损伤(Murray肺损伤评分)确定为重要因素。从外院转入以及入院时已处于插管状态均与需要ECMO治疗相关。这一结果并不令人意外,因为较年轻且肺部损伤更严重的患者通常被转送至我们的参与中心以接受ECMO治疗[36]。我们评估需要肾脏替代治疗(RRT)的ML模型将年龄以及量化疾病严重程度(SOFA评分)或炎症和血栓形成活性(D-二聚体和血小板/中性粒细胞比值)的变量列为重要因素。我们的模型不仅能够识别COVID-19患者的危险因素,还能提供各单个变量对所选个体患者ICU结局的权重信息[18, 37]。所选用的ML模型允许以非线性方式对各种变量进行透明评估,克服了目前所用回归模型的局限性。在广义可加模型(GAMs)中对每个变量使用形状函数,允许变量与结局预测之间存在复杂关系(甚至非线性关系)。因此,可解释提升机(EBMs)可以显著比简单的线性模型更准确[27]。不同变量之间的交互作用扩展了ML方法的分析能力。总体而言,EBM的结果比线性回归的p值或比值比分析提供了更高程度的可解释性。如图2和图3所示,可视化提供了对从正向影响到负向影响的转变值、平台期以及作为确定性度量的置信区间的洞察。

本研究的一个局限性在于,我们未能将更多患者纳入分析。这当然是一个合理的批评点,但我们用于分析的数据是手工收集和整理的。数据并非简单地从电子病历中导出,电子病历中普遍存在缺失数据且信息的有效性未经确认。缺失数据通常需要在分析前进行插补。由于我们的研究设计,我们在很大程度上能够减少缺失数据的插补,这再次增强了我们发现的意义。本文所呈现模型的预测能力在三个结局(生存、ECMO、RRT)上有所不同。这可能是由于底层数据集包含的用于预测例如生存的信息多于预测ECMO的信息。由于本研究的设计重点在于预测生存,一些可能更好地预测ECMO或RRT的变量可能未被纳入本研究中(详见附加文件1:表E9)。此外,尽管生存预测的验证在回顾性和前瞻性数据集之间基本一致,但在ECMO和RRT方面存在更大的变异性。一个可能的原因可能是回顾性与前瞻性数据集之间的结构性差异,例如随着时间推移治疗方案或年龄队列的变化。然而,这些机器学习模型中使用的变量的中等预测能力为未来添加进一步甚至转化性技术用于风险预测留下了空间。我们方法的一个优势是能够确定个体患者因素相对于个体预测的权重。此外,风险因素以形状函数的形式呈现。与线性回归中简单的线性递增相比,这允许对风险因素进行更详细的解释和分割。最后,由于数据集不平衡(更多患者存活了ICU治疗,更多患者不需要ECMO或RRT),我们的模型在预测“生存”方面比预测“死亡”更可靠。尽管如此,这些临床数据的优势在于跨机构甚至其他资源相似国家的可推广性。

结论

然而,我们提出了可用于在COVID-19治疗和ICU病程中联合预测“生存”的个体风险因素,并对这些因素的重要性进行了加权。这是首次实现,将使临床医生能够权衡临床标准以预测所治疗患者的结局。

补充信息

附加文件1. 补充表格和图片。

参考来源

  1. Magunia H, Lederer S, Verbuecheln R, et al. Machine learning identifies ICU outcome predictors in a multicenter COVID-19 cohort. Crit Care. 2021. PMID: 34404458. doi:10.1186/s13054-021-03720-4
  2. 全文:PMC8370055(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8370055/

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。