
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习与深度学习模型的SICU非心脏手术患者术后30天死亡风险预测与可解释性分析
《Scientific Reports》:Predicting mortality risk among non-cardiac surgical patients in the surgical intensive care unit: a retrospective study based on the MIMIC-IV database
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要对非心脏手术后收治入外科重症监护病房(SICU)的患者进行及时、准确的死亡风险分层,有助于快速进行风险分流并合理配置医疗资源。本回顾性分析构建了多种机器学习(ML)和深度学习(DL)模型,以量化该患者群体的术后30天死亡风险。研究从重症医学信息数据库IV(MIMIC-IV
对非心脏手术后收治入外科重症监护病房(SICU)的患者进行及时、准确的死亡风险分层,有助于快速进行风险分流并合理配置医疗资源。本回顾性分析构建了多种机器学习(ML)和深度学习(DL)模型,以量化该患者群体的术后30天死亡风险。研究从重症医学信息数据库IV(MIMIC-IV)中提取非心脏手术患者的临床实验室指标和心电图(ECG)信号。共开发了五种经典机器学习模型用于预测30天死亡率:逻辑回归(LR)、决策树(DT)、轻量级梯度提升机(LGBM)、极端梯度提升(XGBoost)和支持向量机(SVM)。此外,还建立了两种深度学习架构——反向传播神经网络(BPNN)和循环神经网络(RNN),用于性能对比测试。采用Shapley加性解释(SHAP)方法对最优预测模型进行分析,从全局和局部可解释性角度识别与死亡相关的主导风险因素。研究共纳入4 843例符合条件的患者,其中526例(10.9%)在非心脏手术后30天内死亡。LGBM模型的表现优于所有其他机器学习和深度学习架构,取得了最高的F1分数(0.934,95% CI 0.913–0.942)和受试者工作特征曲线下面积(AUROC,0.977,95% CI 0.972–0.982)。与传统的修订心脏风险指数(RCRI)相比,LGBM框架的分类性能有显著提升。全局SHAP分析显示,术前国际标准化比值(INR)、血清碳酸氢盐、血尿素氮(BUN)和肌酐是预测术后30天死亡率的四个最具预测力的变量。LGBM模型为非心脏手术患者的初步预后风险分层提供了一种新颖且便捷的方法。该模型可辅助临床医生进行早期风险评估,但无法独立指导针对性的临床治疗决策。