Прогнозирование внутрибольничной смертности среди пациентов отделения интенсивной терапии с острым ишемическим инсультом: подход с использованием машинного обучения

Введение

Острый ишемический инсульт (ОИИ) является одной из ведущих причин смертности в США. Своевременное выявление пациентов с высоким риском летального исхода критически важно для раннего вмешательства и оптимального распределения ресурсов. В данном исследовании предпринята попытка разработки и валидации моделей машинного обучения для прогнозирования внутрибольничной смертности среди пациентов отделения интенсивной терапии (ОИТ) с ОИИ, а также определения ключевых факторов, связанных с этим исходом.

Цель

Целью исследования было создание и оценка эффективности моделей машинного обучения для прогнозирования риска внутрибольничной смертности у пациентов ОИТ с ОИИ, а также выявление наиболее значимых предикторов.

Методы

В исследовании использовались данные 3 489 пациентов с ОИИ, поступивших в ОИТ, из базы данных MIMIC-IV. Критерии включения: отсутствие выписки или смерти в течение первых 48 часов после поступления. Для прогнозирования смертности анализировались следующие данные за первые 48 часов госпитализации:

• Демографические показатели
• Тип госпитализации
• Проведенные процедуры
• Медикаментозная терапия
• Лабораторные показатели
• Жизненно важные функции
• Клинические оценки (включая шкалу комы Глазго - GCS)

Были исследованы три модели машинного обучения: случайный лес, логистическая регрессия и XGBoost. Для настройки гиперпараметров применялся байесовский метод оптимизации. Важность признаков оценивалась на основе коэффициентов моделей.

Результаты

Наилучшие показатели продемонстрировала модель XGBoost, оптимизированная по площади под ROC-кривой (AUC ROC 0.86, F1 0.52), по сравнению со случайным лесом (AUC ROC 0.85, F1 0.47) и логистической регрессией (AUC ROC 0.75, F1 0.40). Среди наиболее значимых предикторов смертности выделены:

• Показатели по шкале комы Глазго (GCS)
• Уровень азота мочевины крови
• Показатели по шкале Richmond RASS

Модель также показала хорошую непредвзятость в отношении пола и расовой/этнической принадлежности пациентов.

Выводы

Машинное обучение продемонстрировало значительный потенциал в прогнозировании риска внутрибольничной смертности у пациентов ОИТ с ОИИ. Однако необходимы дополнительные этические исследования, чтобы гарантировать, что различия в эффективности моделей среди различных расовых/этнических групп не усугубят существующее неравенство в здравоохранении и не нанесут вреда исторически уязвимым группам населения.

Термины и сокращения

• ОИИ - Острый ишемический инсульт
• ОИТ - Отделение интенсивной терапии
• MIMIC-IV - Medical Information Mart for Intensive Care-IV (база данных медицинской информации для интенсивной терапии)
• GCS - Glasgow Coma Scale (Шкала комы Глазго)
• AUC ROC - Area Under the Receiver Operating Characteristic Curve (Площадь под ROC-кривой)
• RASS - Richmond Agitation-Sedation Scale (Шкала возбуждения-седации Ричмонда)
• XGBoost - eXtreme Gradient Boosting (алгоритм машинного обучения)