導(dǎo)讀

算法模型預(yù)測(cè)新冠危重癥患者病情變化的AUROC值為0．86；另外，借助算法模型對(duì)關(guān)鍵因素的“可解釋性”，或能深入了解新冠重癥患者病情進(jìn)展的病理生理機(jī)制。

近期，一篇發(fā)表在Journal of Intensive Medicine的論文表示，COVID－19（新型冠狀病毒肺炎）已成為全球最嚴(yán)重的突發(fā)公共衛(wèi)生事件之一，截至2021年9月底，全球報(bào)告的死亡人數(shù)已超過(guò)470萬(wàn)，如何準(zhǔn)確識(shí)別新冠危重癥患者的病情變化對(duì)于優(yōu)化醫(yī)療資源分配、提高患者生存率至關(guān)重要。

在此背景下，研究人員使用機(jī)器學(xué)習(xí)算法構(gòu)建了預(yù)測(cè)模型，對(duì)入住ICU的新冠患者進(jìn)行SOFA（序貫器官衰竭評(píng)分）分值預(yù)測(cè)。結(jié)果顯示，預(yù)測(cè)模型的AUROC值為0．86，可有效預(yù)測(cè)危重癥患者的病情變化；另外，算法模型對(duì)關(guān)鍵因素的“可解釋性”，或能助力深入了解新冠重癥患者病情進(jìn)展的病理生理機(jī)制。

01

研究過(guò)程

兩個(gè)時(shí)間節(jié)點(diǎn)的SOFA分值比較

SOFA分值是評(píng)估危重癥患者病情的重要指標(biāo)。一項(xiàng)研究證明了SOFA與新冠患者微循環(huán)變化之間的聯(lián)系：只有SOFA＜10分的患者才可通過(guò)增加毛細(xì)血管密度和血細(xì)胞比容來(lái)提升其氧攝取能力，而SOFA≥10的患者缺乏這種能力且具有較高水平的白細(xì)胞計(jì)數(shù)；同時(shí)說(shuō)明SOFA分值高、微循環(huán)系統(tǒng)損傷的新冠患者預(yù)后或更差。

危重癥患者的SOFA分值主要根據(jù)其PaO2／FIO2、血小板、膽紅素等變量數(shù)據(jù)進(jìn)行計(jì)算，這些數(shù)據(jù)一般來(lái)源于患者病歷，機(jī)器學(xué)習(xí)算法可從中識(shí)別相關(guān)聯(lián)的危險(xiǎn)因素進(jìn)行疾病預(yù)測(cè)。而在該研究中，研究人員選擇了XGBoost（極限梯度提升）算法進(jìn)行建模，這種機(jī)器學(xué)習(xí)算法不易過(guò)擬合、可解釋性高，在醫(yī)學(xué)預(yù)測(cè)任務(wù)中優(yōu)于其他算法。

研究人員從RISC－19－ICU注冊(cè)中心檢索到1613名新冠危重癥患者，根據(jù)膿毒癥3．0定義，患者SOFA分值增加≥2 分或減少≤ 2分可理解為病情惡化或改善，因此，研究人員在排除入院第1天或第5天SOFA評(píng)分缺失、以及兩個(gè)時(shí)間點(diǎn)之間SOFA分值變化≤1分的患者后，篩選了675名患者納入研究。這些患者入住ICU時(shí)或24小時(shí)內(nèi)的相關(guān)癥狀、實(shí)驗(yàn)室生理指標(biāo)被用作預(yù)測(cè)因子，結(jié)合入住第5天的數(shù)據(jù)分析出病情變化。

圖1 收集相關(guān)數(shù)據(jù)以及預(yù)測(cè)結(jié)果輸出的時(shí)間線

XGBoost算法的應(yīng)用過(guò)程包括數(shù)據(jù)集選擇、數(shù)據(jù)預(yù)處理、算法建模、性能評(píng)價(jià)四部分（圖2），研究人員在模型預(yù)測(cè)過(guò)程中，基于SOFA分值的變化，一旦識(shí)別到患者的病情惡化或改善，就會(huì)分析影響結(jié)果的相關(guān)變量的特征重要性。

圖2 算法建模及預(yù)測(cè)過(guò)程

02

結(jié)果評(píng)價(jià)

兩種算法模型性能及特征排序比較

由于這是一項(xiàng)回顧性研究，研究人員在算法模型輸出結(jié)果前，已對(duì)納入研究的675 名患者的實(shí)際SOFA分值、各項(xiàng)變量評(píng)分情況等信息進(jìn)行分析匯總。其中，有385名患者發(fā)生SOFA評(píng)分增加，290名患者SOFA評(píng)分降低，以此評(píng)價(jià)算法模型的性能及其可解釋性。

研究結(jié)果顯示，XGBoost模型準(zhǔn)確預(yù)測(cè)了320名患者（83％）的SOFA評(píng)分增加，210名患者（72％）的評(píng)分降低，平均ROC曲線下面積為0．86；并如預(yù)期的那樣，模型將Glasgow評(píng)分、休克狀態(tài)、血管加壓藥的使用、膽紅素濃度作為SOFA評(píng)分最相關(guān)的特征，而其他與患者預(yù)后相關(guān)的呼吸支持類型、APACHE II評(píng)分等特征也有助于準(zhǔn)確預(yù)測(cè)（圖3）。

圖3 XGBoost模型性能及影響結(jié)果的最重要特征

研究人員同時(shí)使用邏輯回歸這一傳統(tǒng)機(jī)器學(xué)習(xí)算法建模，以進(jìn)行兩種算法模型的性能評(píng)價(jià)。結(jié)果顯示，69％SOFA評(píng)分增加的患者、72％評(píng)分降低的患者被邏輯回歸模型準(zhǔn)確預(yù)測(cè)，對(duì)應(yīng)的平均ROC曲線下面積為0．69。說(shuō)明在預(yù)測(cè)任務(wù)上，XGBoost明顯優(yōu)于邏輯回歸算法。

值得一提的是，邏輯回歸模型判斷的最重要特征與XGBoost模型的差異較大，其中相同的僅有SAPS II評(píng)分、膽紅素濃度和入住ICU時(shí)去甲腎上腺素的使用這三個(gè)特征。

圖4 邏輯回歸模型性能及影響結(jié)果的最重要特征

研究人員認(rèn)為，基于XGBoost算法設(shè)計(jì)CDSS，可為臨床管理ICU患者病情提供決策支持。另外，該算法模型可解釋性高，能夠識(shí)別與COVID－19并發(fā)癥發(fā)展直接相關(guān)的因素，用于非ICU科室可幫助臨床預(yù)測(cè)患者發(fā)展成危重癥的可能性。但由于該研究缺乏非ICU數(shù)據(jù)集的驗(yàn)證，影響了對(duì)算法模型普適性的評(píng)價(jià)，未來(lái)應(yīng)在真實(shí)臨床環(huán)境中進(jìn)一步驗(yàn)證。

參考材料：

Montomoli Jonathan， et al． Machine learning using the extreme gradient boosting （XGBoost） algorithm predicts 5－day delta of SOFA score at ICU admission in COVID－19 patients［J］． Journal of Intensive Medicine，2021，1（2）：

【責(zé)任編輯：杰西】

——本公眾號(hào)所有圖文，未經(jīng)許可，嚴(yán)禁轉(zhuǎn)載！

如需轉(zhuǎn)載，請(qǐng)?zhí)崆芭c編輯聯(lián)系取得轉(zhuǎn)載許可。否則視為侵權(quán)！