目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口...目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征,首先应用无监督机器学习算法(K均值聚类和层次聚类)进行表型识别,然后应用有监督机器学习算法(轻量级梯度增强机)进行表型预测,并结合机器学习可解释性算法SHAP识别重要特征;最后通过传统统计学方法,对各表型间的临床特征差异与临床结局差异进行验证。结果在22517例脓毒症患者中发现了3种临床特征及结局显著不同的临床表型。其中表型1患者的死亡风险最高(28 d死亡率为46.4%),以肾功能异常和疾病严重程度评分升高为主;表型3患者的死亡风险最低(28 d死亡率为11.2%),神经功能评分最佳。通过可解释性机器学习,识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷量表评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征(首日最差值)在表型识别(AUC≥0.89)和表型预后预测(AUC≥0.74)方面表现良好。在患者出ICU后28 d、60 d、90 d及1年内,表型3的死亡风险均最低(HR<1)。结论利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型,并筛选出6个关键临床特征,预期将在脓毒症亚型分类及预后评估中发挥重要作用,有助于患者的个体化治疗。展开更多
文摘目的探讨重症监护病房(intensive care unit,ICU)脓毒症患者临床表型的识别与验证。方法采用人工智能算法处理重症监护医学信息Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)2.2数据库中脓毒症患者的临床数据,包括人口学特征、ICU首日实验室指标及治疗措施等89个临床特征,首先应用无监督机器学习算法(K均值聚类和层次聚类)进行表型识别,然后应用有监督机器学习算法(轻量级梯度增强机)进行表型预测,并结合机器学习可解释性算法SHAP识别重要特征;最后通过传统统计学方法,对各表型间的临床特征差异与临床结局差异进行验证。结果在22517例脓毒症患者中发现了3种临床特征及结局显著不同的临床表型。其中表型1患者的死亡风险最高(28 d死亡率为46.4%),以肾功能异常和疾病严重程度评分升高为主;表型3患者的死亡风险最低(28 d死亡率为11.2%),神经功能评分最佳。通过可解释性机器学习,识别出阴离子间隙、血尿素氮、肌酐、格拉斯哥昏迷量表评分、凝血酶原时间和序贯性器官功能衰竭评分6个特征(首日最差值)在表型识别(AUC≥0.89)和表型预后预测(AUC≥0.74)方面表现良好。在患者出ICU后28 d、60 d、90 d及1年内,表型3的死亡风险均最低(HR<1)。结论利用机器学习算法成功识别了3种具有不同临床特征及预后的脓毒症临床表型,并筛选出6个关键临床特征,预期将在脓毒症亚型分类及预后评估中发挥重要作用,有助于患者的个体化治疗。
