
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于CatBoost的急性胰腺炎患者多器官功能衰竭预测模型的开发与验证
《European Journal of Medical Research》:Development and validation of an explainable machine learning model for predicting multiple organ failure in patients with acute pancreatitis: a multicenter cohort study
【字体: 大 中 小 】 时间:2026年10月08日 来源:European Journal of Medical Research 4.8
编辑推荐:
摘要背景急性胰腺炎可导致一种严重且危及生命的状况,即多器官功能衰竭(MOF)。对MOF进行及时准确的预测和检测至关重要。利用机器学习建立的预测模型在急救情况下预测MOF方面已显示出潜力。然而,其在急性胰腺炎患者中专门预测MOF的应用尚未广泛普及。本研究旨在创建并验证一种基于机
急性胰腺炎可导致一种严重且危及生命的状况,即多器官功能衰竭(MOF)。对MOF进行及时准确的预测和检测至关重要。利用机器学习建立的预测模型在急救情况下预测MOF方面已显示出潜力。然而,其在急性胰腺炎患者中专门预测MOF的应用尚未广泛普及。本研究旨在创建并验证一种基于机器学习的预测模型,用于预测急性胰腺炎患者的MOF发生情况。
本研究使用了两个回顾性队列,用于模型的构建、验证和测试。开发队列和验证队列来源于MIMIC-IV数据库,随机划分为两个部分(70%用于模型开发,30%用于内部验证)。外部验证使用了山西医科大学第三医院肝胆胰外科(DHPS队列)的回顾性队列。在进行了一系列数据预处理技术(包括插补和标准化)后,我们应用了四种特征选择方法,最终确定了15个关键特征。利用七种机器学习算法构建预测模型,并通过多种指标(如ROC曲线(受试者工作特征曲线)、DCA(决策曲线分析)、PRC(精确率-召回率曲线)、校准曲线和混淆矩阵)评估其性能。使用SHAP技术对最终模型进行解释,并开发了一个基于网页的风险计算器供临床使用。最后,将最终模型分别与SOFA评分和APACHE Ⅱ评分进行比较,以评估其临床价值。
模型使用MIMIC-Ⅳ数据库(n=582)的数据构建,并通过MIMIC-Ⅳ(n=250)和山西医科大学第三医院肝胆胰外科(n=474)数据集进行验证和测试。我们通过四种不同的选择技术和七种机器学习算法确定了最佳特征组合。被所有四种选择方法均识别的变量被纳入模型开发过程。最佳模型CatBoost使用15个易于获取的入院特征构建,包括INR(国际标准化比值)、Cr(肌酐)、PO2(氧分压)、Nbps(无创收缩压)、BIL(胆红素)、HTN(高血压)、PH(氢离子浓度)、LAC(乳酸)、Hb(血红蛋白)、CKD(慢性肾病)、T(体温)、ALT(丙氨酸氨基转移酶)、HR(心率)、Na+(钠)、ABX(抗生素)。在验证阶段,其AUC值为0.939,F1分数为0.795,准确率为0.856。随后,通过5折交叉验证和网格搜索在开发队列上进行超参数优化。最终模型在测试数据集上评估,AUC为0.855,F1分数为0.658,准确率为0.761。此外,SHAP分析表明INR、Cr和PO2是影响模型预测的三个最重要变量。该模型已被转化为在线临床工具,以促进其在医疗环境中的应用。在验证阶段,通过ROC曲线和决策曲线分析,CatBoost展现出优于APACHE Ⅱ(0.802,95%CI:0.747–0.858)和SOFA(0.819,95%CI:0.765–0.874)的鉴别能力(AUC:0.941,95%CI:0.914–0.968)。
具有可解释性的CatBoost模型能够有效预测急性胰腺炎患者发生MOF的可能性,在内部和外部验证组中均展现出强大的预测性能。此外,该模型已实施为在线风险评估工具,以提高其在临床环境中的实用性。
急性胰腺炎可导致一种严重且危及生命的状况,即多器官功能衰竭(MOF)。对MOF进行及时准确的预测和检测至关重要。利用机器学习建立的预测模型在急救情况下预测MOF方面已显示出潜力。然而,其在急性胰腺炎患者中专门预测MOF的应用尚未广泛普及。本研究旨在创建并验证一种基于机器学习的预测模型,用于预测急性胰腺炎患者的MOF发生情况。
本研究使用了两个回顾性队列,用于模型的构建、验证和测试。开发队列和验证队列来源于MIMIC-IV数据库,随机划分为两个部分(70%用于模型开发,30%用于内部验证)。外部验证使用了山西医科大学第三医院肝胆胰外科(DHPS队列)的回顾性队列。在进行了一系列数据预处理技术(包括插补和标准化)后,我们应用了四种特征选择方法,最终确定了15个关键特征。利用七种机器学习算法构建预测模型,并通过多种指标(如ROC曲线(受试者工作特征曲线)、DCA(决策曲线分析)、PRC(精确率-召回率曲线)、校准曲线和混淆矩阵)评估其性能。使用SHAP技术对最终模型进行解释,并开发了一个基于网页的风险计算器供临床使用。最后,将最终模型分别与SOFA评分和APACHE Ⅱ评分进行比较,以评估其临床价值。
模型使用MIMIC-Ⅳ数据库(n=582)的数据构建,并通过MIMIC-Ⅳ(n=250)和山西医科大学第三医院肝胆胰外科(n=474)数据集进行验证和测试。我们通过四种不同的选择技术和七种机器学习算法确定了最佳特征组合。被所有四种选择方法均识别的变量被纳入模型开发过程。最佳模型CatBoost使用15个易于获取的入院特征构建,包括INR(国际标准化比值)、Cr(肌酐)、PO2(氧分压)、Nbps(无创收缩压)、BIL(胆红素)、HTN(高血压)、PH(氢离子浓度)、LAC(乳酸)、Hb(血红蛋白)、CKD(慢性肾病)、T(体温)、ALT(丙氨酸氨基转移酶)、HR(心率)、Na+(钠)、ABX(抗生素)。在验证阶段,其AUC值为0.939,F1分数为0.795,准确率为0.856。随后,通过5折交叉验证和网格搜索在开发队列上进行超参数优化。最终模型在测试数据集上评估,AUC为0.855,F1分数为0.658,准确率为0.761。此外,SHAP分析表明INR、Cr和PO2是影响模型预测的三个最重要变量。该模型已被转化为在线临床工具,以促进其在医疗环境中的应用。在验证阶段,通过ROC曲线和决策曲线分析,CatBoost展现出优于APACHE Ⅱ(0.802,95%CI:0.747–0.858)和SOFA(0.819,95%CI:0.765–0.874)的鉴别能力(AUC:0.941,95%CI:0.914–0.968)。
具有可解释性的CatBoost模型能够有效预测急性胰腺炎患者发生MOF的可能性,在内部和外部验证组中均展现出强大的预测性能。此外,该模型已实施为在线风险评估工具,以提高其在临床环境中的实用性。