Интерпретируемое машинное обучение для раннего прогнозирования исхода при сепсисе: исследование по разработке и валидации модели

Введение: Целью исследования была разработка и валидация интерпретируемой модели машинного обучения на основе клинических признаков для раннего прогнозирования внутрибольничной летальности у пациентов с сепсисом, находящихся в критическом состоянии.

Методы: В исследование включили всех пациентов с сепсисом из базы данных Medical Information Mart for Intensive Care IV (MIMIC-IV, версия 1.0) за период с 2008 по 2019 год. Для отбора признаков использовали лассо-регрессию. Для разработки моделей применили семь методов машинного обучения. Лучшую модель выбирали на основании её точности и площади под кривой (AUC) в валидационной когорте. Кроме того, для иллюстрации вклада признаков в работу модели, анализа влияния отдельных признаков на её результат и визуализации значения Шепли для конкретного пациента использовали метод SHAP (SHapley Additive exPlanations; аддитивные объяснения Шепли).

Результаты: В исследование включили 8817 пациентов с сепсисом; медиана возраста составила 66,8 года (межквартильный размах 55,9–77,1 года), 3361 из 8817 участников (38,1%) были женщинами. После отбора 25 из 57 клинических параметров, собранных в первые сутки после поступления в ОРИТ, сохранили связь с прогнозом и были использованы для разработки моделей машинного обучения. Среди семи построенных моделей наилучшие результаты показала модель eXtreme Gradient Boosting (XGBoost): AUC составила 0,884, точность — 89,5% в валидационной когорте. Анализ значимости признаков показал, что наибольшее влияние на модель XGBoost оказывали пять параметров: оценка по шкале комы Глазго (GCS), содержание азота мочевины в крови, частота дыхания, диурез и возраст. Кроме того, с помощью силового графика SHAP была продемонстрирована визуализация индивидуального прогноза летального исхода.

Выводы: Полученные результаты демонстрируют потенциал методов машинного обучения для раннего прогнозирования исхода у пациентов с сепсисом. Метод SHAP может повысить интерпретируемость моделей машинного обучения и помочь врачам лучше понимать обоснование прогнозируемого исхода.