VA-ECMO相关急性肾损伤患儿死亡风险可解释性预测模型的构建及验证OA

目的探讨儿童静脉-动脉体外膜肺氧合(VA-ECMO)相关急性肾损伤(AKI)患儿死亡危险因素,构建死亡风险预测模型并进行验证。方法基于中国儿科体外生命支持组织数据库,收集2017年10月-2023年5月来自6家医院(解放军总医院第一医学中心、解放军总医院第七医学中心、首都医科大学附属安贞医院、上海儿童医学中心、河南省人民医院、河南省儿童医院)的237例发生VA-ECMO相关AKI患儿的临床数据进行回顾性分析。将所有患儿按7:3比例随机分为训练集(n=166)与验证集(n=71)。在训练集与验证集中基于筛选特征构建11种机器学习模型,包括logistic回归、K最近邻(KNN)、神经网络(NeuralNet)、决策树、自适应增强、梯度提升机、极端随机树、随机森林、轻量梯度提升机、支持向量机(SVM)和极端梯度提升(XGBoost)。模型构建完成后,对验证集中筛选出表现最好的前5种模型进一步比较模型性能。模型性能通过受试者操作特征(ROC)曲线、校准曲线、精确率-召回率曲线下面积(AUPRC)和决策曲线分析(DCA)、F1分数及Brier评分等多指标综合评估。为增强可解释性,采用沙普利加性解释(SHAP)方法分析特征贡献度;并基于SHAP值排序进行逐步特征递增建模。不同特征集的AUC差异通过de-long检验比较,以确定最优特征子集。为提升模型的临床转化应用价值,基于R语言Shiny框架开发在线网页应用。结果对11种机器学习模型在训练集与验证集的性能进行比较,结果显示,各模型在训练集中的表现差异较小。在验证集中筛选出表现最优的5种模型进行进一步评估,包括logistic回归、SVM、NeuralNet、KNN和XGBoost。其中,logistic回归模型在验证集中表现最佳(AUC=0.886,AUPRC=0.903)。DCA和校准曲线进一步验证该模型具有良好的临床适用性和稳定性。通过模型简化分析显示,当纳入7个关键特征(ECMO辅助时间、出血、心脏并发症、辅助后谷草转氨酶水平、体重、辅助前嗜酸性粒细胞、辅助前碳酸氢根水平)时,模型性能最优(AUC=0.848,F1分数=0.829,准确率=0.831,Brier分数=0.171)。De-long检验显示,纳入7个特征模型与纳入全部17个特征模型的预测性能差异无统计学意义(P=0.158)。SHAP分析显示,对死亡风险预测贡献最大排名前3位的是ECMO辅助时间、出血和心脏并发症。最终模型已部署为网页(Web)应用,可实现个体化死亡风险预测与SHAP可视化解读。结论构建并验证了基于7个关键特征的logistic回归预测模型,能够有效评估VA-ECMO相关AKI患儿的死亡风险。该模型具有良好的判别能力、校准性能和临床实用性,已开发为在线工具,有助于辅助临床早期干预与个体化决策。