一篇2024年2月发表于 eClinicalMedicine (IF 10+) 的文章，基于11种机器学习方法识别和验证危重儿童急性肾损伤可解释预测模型。

摘    要
背景：
急性肾损伤 (Acute kidney injury, AKI) 是危重儿童常见的严重器官功能障碍。AKI 的早期识别和预测具有重要意义。然而，目前的 AKI 标准不够敏感和特异性，而且 AKI 的异质性限制了 AKI 生物标志物的临床价值。本研究旨在建立并验证基于机器学习 (ML) 方法的 AKI 可解释预测模型，并评估其对儿科重症监护病房 (PICU) 儿童的预后影响。
方法：
本研究在中国对危重儿童进行了多中心前瞻性研究，以推导和验证预测模型。衍生队列包括 2020年9月至2021年1月入住4个独立 PICU 的 957 名儿童，分离进行训练和内部验证，并使用2021年2月至2022年2月入住的 866 名儿童的外部数据集进行外部验证。AKI的定义基于血清肌酐和尿量，采用肾脏疾病:改善全球预后 (KDIGO) 标准。在 PICU 入院后的前24小时内，有33个医学特征易于获得或评估，采用11 ML算法构建预测模型。采用几种评价指标，包括受者-工作特征曲线下面积 (AUC)，来比较预测效果。采用 SHapley 加性解释法对特征重要性进行排序，并对最终模型进行解释。确定了 AKI 预测和分组的最终模型的概率阈值。临床结果通过最终模型和 KDIGO 标准的组合来评估各个亚组。
结果：
在11个 ML 模型中，随机森林 (RF) 模型的判别能力最好。根据特征重要性排序，对特征进行约简后，建立了包含8个特征的可解释最终 RF 模型。最终的模型在内部 (AUC = 0.929) 和外部 (AUC = 0.910) 验证中都能准确预测 AKI，并已转化为一种方便的工具，以促进其在临床环境中的应用。在最终模型中，概率超过或等于阈值的危重儿童无论是否符合 KDIGO AKI 标准，其死亡和多器官功能障碍的风险都较高。
结论：
我们的可解释的 ML 模型不仅成功地开发了准确预测 AKI 的模型，而且还与 PICU 入院早期儿童个体的不良结局高度相关，并且它减轻了对 ML 技术的非直接解释的“黑匣子”问题的担忧。
--
FROM 59.41.66.*