LightGBM预测脓毒症相关急性肾损伤患者28天死亡风险性能最优:基于MIMIC-Ⅳ与eICU数据库构建可解释性机器学习模型及验证对比OA

目的脓毒症相关急性肾损伤(sepsis associated acute kidney injury,SA-AKI)病情凶险,死亡率高。开发并验证一种具有可解释性的机器学习预测模型,用于评估SA-AKI死亡风险,以期实现高危患者的早期识别并辅助临床决策。方法基于重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳ)和eICU协作研究数据库(eICU Collaborative Research Database,eICU-CRD)中SA-AKI患者的临床资料进行回顾性队列研究。MIMIC-Ⅳ纳入24487例患者,eICU-CRD纳入13757例患者,进行数据分析。采用单因素分析、最小绝对收缩与选择算法(least absolute shrinkage and selection operator,LASSO)回归分析筛选出预测变量。将MIMIC-Ⅳ数据集按照8∶2的比例划分为训练集和内部测试集,分别基于逻辑回归、随机森林、轻量梯度提升机(light gradient boosting machine,LightGBM)、K近邻、极限梯度提升、岭回归、弹性网络、决策树、Stacking集成模型、多层感知机10种机器学习算法构建死亡风险预测模型。采用受试者工作特征曲线下面积(area under curve,AUC)、准确度、灵敏度、特异度、校准曲线、决策曲线综合评估模型性能,筛选出最优模型。借助沙普利加性解释(SHapley Additive exPlanations,SHAP)方法对各变量在预测结果中的贡献程度及其作用方向进行深入分析。选择eICU-CRD数据库中符合纳排标准的SA-AKI患者进行外部验证。结果通过单因素分析联合LASSO回归共筛选出31个预测变量,并基于此构建了10种机器学习死亡风险预测模型。LightGBM模型在内部测试集AUC为0.817(95%CI:0.803~0.830),在基于eICU-CRD数据库的外部验证集中的AUC为0.735(95%CI:0.725~0.745),优于其他模型。综合比较各模型的区分度、校准度和决策曲线分析结果后,LightGBM模型表现最优,提示其在SA-AKI患者死亡风险预测中具有较好的预测性能和临床适用性。基于SHAP解释结果,影响28 d死亡风险的重要变量主要包括序贯器官衰竭评估(sequential organ failure assessment,SOFA)评分、Charlson合并症指数、GCS评分、平均体温、平均尿素氮、平均血钠、平均呼吸频率、平均肌酐、OASIS评分和红细胞分布宽度等。结论LightGBM算法构建的SA-AKI患者死亡风险预测模型表现最优。SOFA评分、Charlson合并症指数等是预测SA-AKI患者28 d死亡的重要指标,为SA-AKI患者高风险患者的早期识别提供了参考依据。