
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于常规实验室数据的可解释机器学习模型预测血液透析患者短期感染风险
《BMC Nephrology》:Development and interpretability of a machine learning-derived model for predicting the risk of subsequent short-term infection in patients undergoing maintenance hemodialysis: a retrospective cohort study
【字体: 大 中 小 】 时间:2026年10月09日 来源:BMC Nephrology 2.9
编辑推荐:
摘要背景感染是血液透析患者死亡的主要原因之一,但早期风险分层仍然困难。本研究利用常规基线实验室数据开发并验证了一个可解释的机器学习模型,用于预测短期感染风险。方法对622例伴有尿毒症的血液透析患者进行回顾性队列分析。主要结局为随访2个月内发生的确诊感染事件(感染、脓毒症或肺炎
感染是血液透析患者死亡的主要原因之一,但早期风险分层仍然困难。本研究利用常规基线实验室数据开发并验证了一个可解释的机器学习模型,用于预测短期感染风险。
对622例伴有尿毒症的血液透析患者进行回顾性队列分析。主要结局为随访2个月内发生的确诊感染事件(感染、脓毒症或肺炎)。为严格防止数据泄露,在缺失值填补和任何后续预处理之前,队列被严格划分为训练集(70%)和测试集(30%)。基于LightGBM的前向特征选择仅在训练集内执行。评估了九种机器学习算法,并通过嵌套交叉验证、重复交叉验证和Bootstrap乐观校正验证了模型的鲁棒性。使用SHapley可加性解释(SHAP)实现了模型的可解释性。
157例患者(25.2%)随后发生感染。识别出一个简洁的六生物标志物特征组合(CysC、HCT、TP、MONO_pct、MYO、ADA)。K近邻(KNN)和LightGBM模型展现了稳健的判别性能(测试集AUROC分别为0.727和0.719)。嵌套交叉验证证实了泛化稳定性(例如,ANN平均AUC为0.722)。SHAP分析显示,升高胱抑素C和降低红细胞压积是模型风险排序中最强的贡献因素。尽管模型具有较高的排序能力,但默认0.5的阈值导致灵敏度较低;预定的F2优化阈值0.30将测试集的灵敏度提高到了0.723。
该基于常规实验室数据的可解释机器学习预测模型,可作为分层短期感染风险的潜在辅助决策支持工具。在临床实施前需要进行外部验证。
感染是血液透析患者死亡的主要原因之一,但早期风险分层仍然困难。本研究利用常规基线实验室数据开发并验证了一个可解释的机器学习模型,用于预测短期感染风险。
对622例伴有尿毒症的血液透析患者进行回顾性队列分析。主要结局为随访2个月内发生的确诊感染事件(感染、脓毒症或肺炎)。为严格防止数据泄露,在缺失值填补和任何后续预处理之前,队列被严格划分为训练集(70%)和测试集(30%)。基于LightGBM的前向特征选择仅在训练集内执行。评估了九种机器学习算法,并通过嵌套交叉验证、重复交叉验证和Bootstrap乐观校正验证了模型的鲁棒性。使用SHapley可加性解释(SHAP)实现了模型的可解释性。
157例患者(25.2%)随后发生感染。识别出一个简洁的六生物标志物特征组合(CysC、HCT、TP、MONO_pct、MYO、ADA)。K近邻(KNN)和LightGBM模型展现了稳健的判别性能(测试集AUROC分别为0.727和0.719)。嵌套交叉验证证实了泛化稳定性(例如,ANN平均AUC为0.722)。SHAP分析显示,升高胱抑素C和降低红细胞压积是模型风险排序中最强的贡献因素。尽管模型具有较高的排序能力,但默认0.5的阈值导致灵敏度较低;预定的F2优化阈值0.30将测试集的灵敏度提高到了0.723。
该基于常规实验室数据的可解释机器学习预测模型,可作为分层短期感染风险的潜在辅助决策支持工具。在临床实施前需要进行外部验证。