CN115101199A - 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 - Google Patents
用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 Download PDFInfo
- Publication number
- CN115101199A CN115101199A CN202210527712.3A CN202210527712A CN115101199A CN 115101199 A CN115101199 A CN 115101199A CN 202210527712 A CN202210527712 A CN 202210527712A CN 115101199 A CN115101199 A CN 115101199A
- Authority
- CN
- China
- Prior art keywords
- model
- index
- evaluation
- fair
- interpretable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012502 risk assessment Methods 0.000 title claims abstract description 29
- 208000028399 Critical Illness Diseases 0.000 title claims abstract description 26
- 230000005584 early death Effects 0.000 title claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000011282 treatment Methods 0.000 claims abstract description 33
- 235000016709 nutrition Nutrition 0.000 claims abstract description 31
- 210000002700 urine Anatomy 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000035764 nutrition Effects 0.000 claims abstract description 10
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 32
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 28
- 239000001301 oxygen Substances 0.000 claims description 28
- 229910052760 oxygen Inorganic materials 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 25
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 22
- 238000010200 validation analysis Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 210000004369 blood Anatomy 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 17
- 230000018109 developmental process Effects 0.000 claims description 17
- 238000005399 mechanical ventilation Methods 0.000 claims description 17
- 208000036119 Frailty Diseases 0.000 claims description 16
- 206010003549 asthenia Diseases 0.000 claims description 16
- 230000036760 body temperature Effects 0.000 claims description 16
- 229940109239 creatinine Drugs 0.000 claims description 16
- 108010003415 Aspartate Aminotransferases Proteins 0.000 claims description 14
- 102000004625 Aspartate Aminotransferases Human genes 0.000 claims description 14
- 238000002638 palliative care Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000036387 respiratory rate Effects 0.000 claims description 14
- 102000001554 Hemoglobins Human genes 0.000 claims description 13
- 108010054147 Hemoglobins Proteins 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000035488 systolic blood pressure Effects 0.000 claims description 13
- 210000004698 lymphocyte Anatomy 0.000 claims description 12
- 210000000440 neutrophil Anatomy 0.000 claims description 12
- 230000035939 shock Effects 0.000 claims description 12
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 11
- 239000001569 carbon dioxide Substances 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 claims description 10
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000001154 acute effect Effects 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 108010088751 Albumins Proteins 0.000 claims description 8
- 102000009027 Albumins Human genes 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 claims description 7
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 7
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims description 7
- 108010094028 Prothrombin Proteins 0.000 claims description 7
- 102100027378 Prothrombin Human genes 0.000 claims description 7
- 108010000499 Thromboplastin Proteins 0.000 claims description 7
- 102000002262 Thromboplastin Human genes 0.000 claims description 7
- 239000008103 glucose Substances 0.000 claims description 7
- 238000005534 hematocrit Methods 0.000 claims description 7
- 210000000265 leukocyte Anatomy 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 229910001414 potassium ion Inorganic materials 0.000 claims description 7
- 229940039716 prothrombin Drugs 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 208000011580 syndromic disease Diseases 0.000 claims description 7
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 6
- 108010082126 Alanine transaminase Proteins 0.000 claims description 6
- 206010012218 Delirium Diseases 0.000 claims description 6
- 150000001450 anions Chemical class 0.000 claims description 6
- 230000004872 arterial blood pressure Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003278 mimic effect Effects 0.000 claims description 6
- 230000000926 neurological effect Effects 0.000 claims description 6
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 claims description 5
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 claims description 5
- 229930182837 (R)-adrenaline Natural products 0.000 claims description 5
- 102000002260 Alkaline Phosphatase Human genes 0.000 claims description 5
- 108020004774 Alkaline Phosphatase Proteins 0.000 claims description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 5
- JRWZLRBJNMZMFE-UHFFFAOYSA-N Dobutamine Chemical compound C=1C=C(O)C(O)=CC=1CCNC(C)CCC1=CC=C(O)C=C1 JRWZLRBJNMZMFE-UHFFFAOYSA-N 0.000 claims description 5
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 claims description 5
- 230000001684 chronic effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 229960001089 dobutamine Drugs 0.000 claims description 5
- 229960003638 dopamine Drugs 0.000 claims description 5
- 229960005139 epinephrine Drugs 0.000 claims description 5
- 230000024924 glomerular filtration Effects 0.000 claims description 5
- 238000009533 lab test Methods 0.000 claims description 5
- -1 lymphocytes Chemical compound 0.000 claims description 5
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 5
- 230000004899 motility Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 5
- 229960002748 norepinephrine Drugs 0.000 claims description 5
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 claims description 5
- 238000006213 oxygenation reaction Methods 0.000 claims description 5
- 229910001415 sodium ion Inorganic materials 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 4
- 208000030090 Acute Disease Diseases 0.000 claims description 3
- 206010053159 Organ failure Diseases 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 238000004820 blood count Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 208000015181 infectious disease Diseases 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000001991 pathophysiological effect Effects 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000009885 systemic effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 11
- 230000034994 death Effects 0.000 abstract description 8
- 230000007658 neurological function Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 238000013058 risk prediction model Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 239000002585 base Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011277 treatment modality Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010007556 Cardiac failure acute Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 108090000190 Thrombin Proteins 0.000 description 1
- 206010001053 acute respiratory failure Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000037424 autonomic function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 238000009116 palliative therapy Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 229960004072 thrombin Drugs 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种用于重症老年患者的可解释公平早期死亡风险评估模型、装置及其建立方法。通过采用多中心、大样本的数据集进行模型的训练和偏倚校准，基于166家医院采用外部验证、时序验证、亚组分析、偏倚评估的方式对模型的性能进行综合评估，评估指标涵盖区分、校准和公平性指标。预测模型纳入了临床环境中患者在重症监护第一天容易采集的个人基础信息、虚弱与营养、神经功能、生命体征、实验室检查、治疗和尿量，可实现对老年患者死亡风险的早期评估和个体化推理解释。该装置有助于医生获得对老年患者的疾病紧急和危险程度更为准确的评估。
Description
技术领域
本申请涉及医疗信息决策技术，尤其涉及基于可解释机器学***早期死亡风险评估模型、装置、及其建立方法。
背景技术
在许多国家，危重病患者的中位年龄接近65岁，高龄(80岁或以上)危 重病患者的比例将比重症监护ICU中的任何其他群体增长地更快。我国作为世 界上老年人口最多的国家，老年人的健康状况更需引起关注。老年患者因为虚 弱可能导致身体衰退、共病、多药和自主功能性丧失。在发生急性医疗事件或 创伤的情况下，储备能力低于年轻患者，导致死亡风险增加。因而老年患者更 容易发生脓毒症、急性心力衰竭或者急性呼吸衰竭。而临床现有的疾病严重程 度评估评分如序贯器官衰竭评分SOFA、急性生理与慢性健康评分APACHE-II、 急性生理学和慢性健康状况评分SAPS-II等近来被研究证明在评估老年患者中 缺乏准确性，因为它关注急性疾病的严重程度，而缺乏了结合老年患者特性的 评估。因为先前存在的老年综合征，如虚弱、共病、认知障碍和功能限制与不 良预后密切相关，而不仅仅是年龄。同时研究还表明，这些评分对于疾病严重 程度的评估存在过度高估和对不同群体的偏倚，这将导致评估的不准确性和不 公平性，可能带来医疗资源的浪费和忽略需要首要关注的少量群体。尽管最近 有部分针对老年患者的死亡预测类研究，但绝大部分研究均受限于单中心的验 证、小样本群体以及未全面的考虑老年患者的基线评估、合并症、功能状态， 这导致了模型的适用性受限以及限制了对患者疾病的个体化精准评估。
发明内容
鉴于上述问题，本申请旨在提出一种用于重症老年患者的可解释公平早期 死亡风险评估模型。
本申请的用于重症老年患者的可解释公平早期死亡风险评估模型，其包括 数据预处理模块、特征计算模块、模型运算模块、风险因素排名模块；其中，
预处理模块用于将待评估的患者的住进ICU期间的第一天的数据进行预 处理；
特征计算模块用于自经预处理的数据中计算出个人基础信息特征、虚弱与 营养特征、神经功能特征、生命体征特征、液体出量特征、实验室检查特征、 治疗信息特征，作为模型运算模块的输入特征；
模型运算模块包括XGBoost运算子模块、公平性算法子模块、保序回归子 模块；
公平性算法子模块对输入特征进行处理后，送至XGBoost运算子模块进行 计算，XGBoost运算子模块对应于每个输入特征为风险评估模型的一个风险因 子；XGBoost运算子模块的计算结果通过保序回归子模块进行处理，得到模型 运算模块处理结果；
风险因素排名模块根据模型运算模块的处理结果得到该患者的风险因素 的排名和模型对患者进行个体化评估的可解释性分析，并给出该患者发生院内 不良结局的风险值。
优选地，个人基础信息特征选自：年龄、性别、BMI、入院类型、手术入 院方式、种族、ICU转入前入院天数、查尔森合并症指数；
虚弱与营养特征选自：活动能力、营养指数、虚弱指数；
神经功能特征选自：格拉斯哥评分、谵妄评分；
生命体征特征选自：心率、呼吸速率、平均动脉压、收缩压、体温、血氧 饱和度、休克指数；
液体出量特征为：尿量；
实验室检查特征选自：氧分压、吸入氧浓度、二氧化碳分压、氧合指数、 白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸转氨酶、碱过量、凝血酶原时 间、部分凝血活酶时间、碳酸氢盐、胆红素、阴离子间隙、血尿素氮、肌酐、 尿素氮与肌酐比值、氯化物、肾小球滤过率、葡萄糖、血细胞比容、血红蛋白、 国际标准化比率、乳酸、淋巴细胞、镁离子、中性粒细胞、中性粒细胞与淋巴 细胞比率、血小板、钾离子、钠离子、白细胞；
治疗信息特征选自：是否采取姑息治疗、是否机械通气治疗、是否多巴酚 丁胺治疗、是否多巴胺治疗、是否肾上腺素治疗和是否去甲肾上腺素治疗。
优选地，进一步包括使用判别模块；
XGBoost运算子模块的运行模式包括整体模式、低龄模式、中龄模式、高 龄模式；整体模式对应65岁以上老年群体，低龄模式对应65至74岁老年群 体，中龄模式对应75岁至84岁老年群体，高龄模式对应85岁以上老年群体；
使用判别模块根据特征计算模块计算得到的特征值，选择模型运算模块的 相应运行模式。
优选地，在XGBoost运算子模块的整体模式中，各输入特征的重要性降序 排名的前20为：
格拉斯哥评分(最低值)、呼吸频率(均值)、尿量(总和)、是否进行机械通气、 尿素氮(最大值)、年龄、查尔森合并症指数、血氧饱和度(最低值)、休克指数、 心率(均值)、肌酐与尿素氮比值、ICU转入前入院天数、营养指数、体温(均值)、 氯离子(最低值)、谷草转氨酶(最大值)、是否姑息治疗、收缩压(均值)、血红蛋 白(最低值)、BMI。
优选地，在XGBoost运算子模块的低龄模式中，各输入特征的重要性降序 排名的前20为：
格拉斯哥评分(最低值)、是否进行机械通气、尿量(总和)、肌酐与尿素氮比 值、呼吸频率(均值)、虚弱指数、氯离子(最低值)、血细胞比容(最大值)、休克 指数、心率(均值)、血小板(最低值)、查尔森合并症指数、ICU转入前入院天数、 尿素氮(最大值)、体温(均值)、谷草转氨酶(最大值)、血红蛋白(最低值)、血氧 饱和度(最低值)、乳酸(最大值)、白细胞计数(最大值)。
优选地，在XGBoost运算子模块的中龄模式中，各输入特征的重要性降序 排名的前20为：
格拉斯哥评分(最低值)、尿量(总和)、呼吸频率(均值)、是否进行机械通气、 休克指数、查尔森合并症指数、血氧饱和度(最低值)、体温(均值)、营养指数、 尿素氮(最大值)、凝血酶原时间(最大值)、收缩压(均值)、碱过量(最低值)、二 氧化碳分压、入院类型、ICU转入前入院天数、血小板(最低值)、乳酸(最大值)、 部分凝血活酶时间(最大值)、中性粒细胞与淋巴细胞比率。
优选地，在XGBoost运算子模块的高龄模式中，各输入特征的重要性降序 排名的前20为：
格拉斯哥评分(最低值)、尿量(总和)、呼吸频率(均值)、血氧饱和度(最低值)、 二氧化碳分压(最大值)、是否进行机械通气、尿素氮(最大值)、阴离子间隙(最 大值)、入ICU前住院天数、白蛋白(最低值)、收缩压(均值)、葡萄糖(最大值)、 心率(均值)、吸入氧浓度(最大值)、谷草转氨酶(最大值)、二氧化碳分压(最小值)、 体温(均值)、血红蛋白(最低值)、钾离子(最大值)、是否姑息治疗。
优选地，风险因素排名模块采用SHAP值进行当前时刻的风险因素贡献程 度评估，采用蓝色代表该因素当前处于正常状态对老年患者的结局不产生危害 影响，采用红色代表该因素当前处于异常状态对患者的结局产生危害影响，且 SHAP值越大对结局的影响程度越大，最终该患者发生院内不良结局的风险值 来评估老年患者的院内结局。
本申请还旨在提出一种用于重症老年患者的可解释公平早期死亡风险评 估装置，其包括计算设备，该计算设备加载有上述的用于重症老年患者的可解 释公平早期死亡风险评估模型。
本申请还旨在提出一种用于重症老年患者的可解释公平早期死亡风险评 估模型的建立方法，其包括：数据集构建步骤、数据处理步骤、模型构建与评 估步骤；
在数据集构建步骤中，根据纳入排除标准和患者来自不同中心以及时间跨 度确定研究人群，形成发展集、外部验证集和时序验证集；基于老年患者的病 理生理特性和临床研究确定研究变量，包含个人基础信息、虚弱与营养指标、 神经功能指标、生命体征、尿量、实验室检查和治疗；正样本定义为患者在住 院期间出现不良结局；
在数据处理步骤中，将来自发展集、外部验证集和时序验证集的数据进行 清洗、整合、采样和插值，将数据进一步整理获得统计特征，该统计特征为最 大值、最小值、平均值、或求和，并构建虚弱指数和老年营养指数，其中个人 基础信息特征选自：年龄、性别、BMI、入院类型、手术入院方式、种族、ICU 转入前入院天数、查尔森合并症指数；虚弱与营养特征选自：活动能力、营养 指数、虚弱指数；神经功能特征选自：格拉斯哥评分、谵妄评分；生命体征特 征选自：心率、呼吸速率、平均动脉压、收缩压、体温、血氧饱和度、休克指 数；液体出量特征为：尿量；实验室检查特征选自：氧分压、吸入氧浓度、二 氧化碳分压、氧合指数、白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸转氨 酶、碱过量、凝血酶原时间、部分凝血活酶时间、碳酸氢盐、胆红素、阴离子 间隙、血尿素氮、肌酐、尿素氮与肌酐比值、氯化物、肾小球滤过率、葡萄糖、 血细胞比容、血红蛋白、国际标准化比率、乳酸、淋巴细胞、镁离子、中性粒 细胞、中性粒细胞与淋巴细胞比率、血小板、钾离子、钠离子、白细胞；治疗 信息特征选自：是否采取姑息治疗、是否机械通气治疗、是否多巴酚丁胺治疗、 是否多巴胺治疗、是否肾上腺素治疗和是否去甲肾上腺素治疗；
在模型构建与评估步骤中，进行模型的构建与训练、模型性能评估；其中， 模型的构建与训练包含公平性预处理、模型构建、模型的训练与调优、模型的 校准和模型的推理解释；其中模型性能评估包括3类评估指标和3种评估方式； 3类评估指标为：区分指标、校准指标、和公平指标；3种评估方式为：内部、 外部和时序验证，亚组分析，公平性评估。
优选地，研究人群取自美国的单中心Medical Information Mart for IntensiveCare III(MIMIC-III)Carevue、美国的多中心eICU Collaborative Research Database(eICU-CRD)和MIMIC数据集的更新MIMIC-IV 2008年至2019年。
优选地，在数据处理步骤中，清洗中将来自不同数据集和同一数据集的格 式统一、单位统一、去除离群值；采样中下采样为1小时；插值中缺少比例≤30％ ***人群中位数，否则需要加入该特征对应的标志特征标识是否测量0/1。
优选地，模型构建与评估步骤中，将来自MIMIC和eICU-CRD的人群共 14家医院进行融合作为一个大样本、多中心的训练集，其中80％的患者数据用 于模型的训练和采用交叉验证调节XGBoost模型的超参数，其中10％的患者数 据用于模型的校准，剩余10％的患者用于模型预测性能的内部验证；采用3种 公平性预处理算法降低模型种族评估的偏倚即不公平性，该三种公平预处理算 法包括Reweighing算法、Disparate impact remover算法和不纳入种族变量的预 测算法；采用SHAP方法获得模型的预测风险因素排名和个体化的推理解释；
通过3种方式对模型的偏倚、普适性、鲁棒性和易用性进行全面评估；采 用内部验证、外部验证、时序验证的方式评估模型面向不同应用场景的的预测 性能；采用亚组分析的方式评估模型在面向不同子群体的预测性能，包括年龄、 性别、种族和手术入院方式；采用公平性评估以降低模型对未受保护群体的评 估偏倚；通过3类评估指标衡量模型的性能，包括：7个预测性能指标，AUROC、 AUPRC、特异性、敏感性、准确性、F1值、精准性，并将其中AUROC、AUPRC 作为区分指标，Brier score、SMR用于评估模型预测结果与真实情况对比的差 异，作为校准指标，DIR、EOD、PPPD用于衡量模型评估是否公平指标；并与 逻辑回归LR、随机森林RF和朴树贝叶斯NB模型机器学习模型和急性生理慢 性健康状况评分APACHE-IV、急性生理评估评分APSIII、全身性感染相关性 器官功能衰竭评分SOFA、简化急性生理评分SAPS和牛津急性疾病严重程度 评分OASIS临床评分进行对比。
本申请的优点在于：
(1)针对ICU中的老年患者群体结合其虚弱、共病等特性，可早期预测 院内不良结局发生概率和风险因素的贡献程度，进而辅助医生对老年患者进行 及早干预和治疗；
(2)经过大样本、多中心数据集的训练，和外部、时序验证，采用7个 评估指标(含2个区分指标)对模型的预测性能进行评估，模型性能良好且一 致优于3类基线模型和5个临床常用评分；
(3)采用公平性预处理算法和保序回归校准算法降低模型对少样本子群 体和预测概率评估的偏倚；
(4)基于校准曲线(Brier评分)、标准死亡比(SMR)、3个公平性评估 指标(DIR、EOD、PPPD)，采用亚组分析的方法(年龄、性别、种族、手术 入院方式)对模型的偏倚、普适性进行全面评估；
(5)可提供与不良结局发生关联的重要因素和排名以及低龄、中龄和高 龄老年患者各自的风险因素排名，帮助医生理解疾病的发展过程；
(6)风险预测装置即可全自动输出早期对患者发生院内不良结局(死亡) 的风险评估结果，可便捷部署于医院信息***，便于医生的操作和使用。
附图说明
图1为本申请的方法执行流程图；
图2为多中心数据集研究人群的纳入排除标准及研究群体相应比例示意 图；
图3为老年早期死亡风险评估模型的特性示意图；
图4为早期死亡风险评估模型的构建方法示意图；
图5为预测模型与临床评分对比性能展示示意图；
图6为外部验证中预测模型与5个临床评分预测危险程度与真实情况对比 示意图；
图7为预测模型的4种类型亚组分析评估示意图；
图8为在发展模型人群中预测模型的危险因素排名和患者个体化解释示意 图；
图9为前20个重要特征在外部验证和时序验证中重要性呈现示意图；
图10为低龄老年患者子群体(65岁至74岁)的预测模型TOP20危险因子呈 现示意图；
图11为中龄老年患者子群体(75岁至84岁)的预测模型TOP20危险因子呈 现示意图；
图12为高龄老年患者子群体(85岁以上)的预测模型TOP20危险因子呈现 示意图；
图13为查尔森指数、BMI和虚弱指数在3个群体中的存活和死亡患者分 布对比示意图；
图14为格拉斯哥评分和营养指数在3个群体中的存活和死亡患者分布对 比示意图；
图15为治疗方式机械通气和姑息治疗在3个群体中的存活和死亡患者分 布对比示意图；
图16为用于重症老年患者的可解释公平早期死亡风险评估模型的原理框 图。
具体实施方式
下面，结合附图对本申请进行详细说明。
本发明提出的基于多中心、大样本和容易获取的电子健康档案数据，发展 用于早期评估和预测在ICU场景中的老年患者群体(低龄、中龄和高龄)在住 院期间出现不良结局的风险，并经过充分的公平性和预测概率校准、全面的偏 倚评估、多中心大样本量的外部时序验证，获得普适、可解释、公平和易用的 临床风险评估模型。结合老年患者虚弱、营养不良、存在慢性基础疾病、谵妄 等特性，构建精准的风险评估模型，以辅助医生根据老年患者入院的基础情况 和疾病严重程度进行有针对性的治疗和干预。本发明利用了电子健康档案收集 的丰富信息，通过机器学***性预处理算法、保序回归后校准算法、多中心外部验证、亚组分 析可有效的降低模型对少样本群体和预测概率评估的偏倚，并采用性能区别指 标、校准指标和公平性指标对模型的普适性、偏倚进行全面评估。经过充分的 多中心外部、时序验证以及多种类型的亚组分析等获得了性能最优的模型，最 终将数据处理模块、模型评估推理模块进行封装，可以集成到现有的临床信息***，进行自动的风险评估和个体化推理解释，为医生早期评估老年患者的疾 病严重程度和制定合理治疗方案提供参考依据，同时也避免了需要手动计算额 外增压医护人员工作负荷的问题。
本发明中提出的过程主要包括3个模块：(1)数据集构建模块，基于3个 重症监护数据集，与临床医生共同确定的研究人群的纳入和排除标。结合老年 患者的生理和临床特性，额外纳入评估虚弱、营养、共病和姑息治疗相关的信 息。获取低龄、中龄和高龄老年患者的研究数据集。将3个临床数据集进行划 分为发展集、外部验证集和时序验证集；(2)数据处理模块：根据步骤(1)获 取的原始研究数据集，对数据进行清洗、规则、采样和插值。进一步根据数据 特性完成统计特征的构建，包含最大值、最小值、均值、总和。额外构建查尔森合并症指数(共病)、虚弱指数和营养指数。进而获得了7类研究特征数据， 包含个人基础信息、虚弱和营养相关指标、神经功能指标、生命体征、液体出 量尿量、实验室检查和治疗信息；(3)基于(2)中获得的数据，预先进行公平 性算法校准，将其输入选定的机器学***性指标以及 亚组分析、纳入部分特征的内容，对模型的预测性能、偏倚程度进行进一步的评估，以获取可推广、普适性、鲁棒性和便捷的预测模型。进而将性能表现最 为优良的模型、数据处理、模型推理解释环节进行封装，获得可以全自动帮助 医生早期评估老年患者死亡风险和获得危险因素排名，以辅助医生疾病诊断和 治疗。
本发明中提出的源自多中心的电子健康档案数据集开发针对重症老年患 者的早期死亡风险评估方法，其预测性能一致优于基线模型和临床评分且具备 可解释性，可为临床医生早期评估老年患者的疾病风险等级提供更加便捷、精 准的方法。其首次针对ICU老年患者构建了经过多中心、大样本的数据集训练 (41023名患者,14家医院)和经过多中心的外部验证(15950名患者，165家 医院)和近期患者(2017年至2019年)的时序验证(4181名患者)，性能均表现 良好且在不同的亚组分析(年龄、性别、种族、手术入院方式)评估均表现良 好、鲁棒；同时该方法获得了与老年患者死亡风险相关联的危险因素排名，其 中格拉斯哥评分、其中格拉斯哥评分、呼吸频率、尿量、是否进行机械通气、 尿素氮、年龄、查尔森合并症指数、血氧饱和度、休克指数、平均心率、肌酐 与尿素氮比值、入ICU前住院天数、营养指数、体温、氯离子、谷草转氨酶、 是否姑息治疗、收缩压均值、血红蛋白和BMI为排名前20的危险因素。最终 该方法将特征的计算、模型的推理和解释进行了封装，内置了并行计算，可以 自动化、便捷地早期评估老年患者出现院内不良结局(死亡)的风险。
本发明提出的一种基于电子健康档案的充分校准的老年早期死亡风险可 解释评估和危险因素排名的方法。其具体的实现如图1所示，包括以下步骤：
一、本发明的中的数据集构建模块过程如下：
将MIMIC(2001～2016年)和eICU-CRD(13家医院)作为模型的发展集， eICU-CRD(165家医院)作为模型的外部验证集，MIMIC(2017～2019年)作为模 型的时序验证集。根据图2所示的筛选标准进一步获取本研究所涉及的群体(年 龄≥65岁，第一次入住ICU，ICU时长≥24小时，明确标识种族类型，入ICU 的第一天内存在测量心率、呼吸速率、平均动脉压、收缩压、GCS、体温和氧 饱和度)。图2呈现了各个数据集中患者的具体筛选流程。因此用于模型发展和 内部验证的患者为41023名(12.7％mortality)，用于模型的外部验证的患者为 15950名(12.0％mortality)，用于模型的时序验证的患者为4181名(10.6％mortality)。图3呈现了模型构建需具备的特性，包括：通用性、可解释性、公 平性和易用性。其中模型的构建包含的原始纳入变量包含7类信息，分别为：8 个基础信息(年龄、性别、BMI、入院类型、手术入院方式、种族、ICU转入前 入院天数、查尔森合并症指数CCI)、3个虚弱与营养指标(活动能力、营养指数 GNRI、虚弱指数Frailty index(fl_lab))、2个神经功能指标(格拉斯哥评分GCS、 谵妄评分)、1个液体出量(尿量)、7个生命体征指标(心率、呼吸速率、平均动 脉压、收缩压、体温、血氧饱和度、休克指数)、32个实验室检查(氧分压(PaO2)、 吸入氧浓度(FiO2)、二氧化碳分压(PaCO2)、氧合指数、白蛋白、碱性磷酸酶、 丙氨酸转氨酶(ALT)、天冬氨酸转氨酶(AST)、碱过量(BE)、凝血酶原时间(PT)、 部分凝血活酶时间(PTT)、碳酸氢盐、胆红素、阴离子间隙、血尿素氮(BUN)、 肌酐、尿素氮与肌酐比值、氯化物、肾小球滤过率、葡萄糖、血细胞比容、血 红蛋白、国际标准化比率(INR)、乳酸、淋巴细胞、镁离子、中性粒细胞、中性 粒细胞与淋巴细胞比率(NLR)、血小板、钾离子、钠离子、白细胞)和6种治疗 方式(是否采取姑息治疗Code status、机械通气、多巴酚丁胺、多巴胺、肾上腺 素和去甲肾上腺素)。表1-表3为发展集、外部验证集、时序验证集中研究群体 的老年患者的人口基线对比结果。表4为与医生共同确定的模型所需纳入的研 究变量。
表1.发展集中幸存者和非幸存者的人群基线对比
表2.外部验证集中幸存者和非幸存者的人群基线对比
表3.时序验证集中幸存者和非幸存者的人群基线对比
表4.预测模型纳入的研究变量
二、本发明中的数据处理模块过程如下：
通过过程(一)获得的3个研究群体和确定的研究变量的原始数据，输入 到数据处理模块完成模型构建前的准备工作。①数据清洗，包括确定3个研究 人群(4个数据集)各个变量的统一名称，同时也将同一数据集中的相同变量 的多种表达方式进行合并。将各个变量基于生理边界范围的信息进行去除；② 数据采样，将ICU第一天内每小时存在多个值记录的变量(生命体征)进行降采 样的处理(求均值处理)；③数据插值，将变量整个人群中缺失比例低于30％的 变量采用人群的中位数进行插补，超过30％的缺失比例的变量需要添加标签列， 用于标识变量是否真实测量(如lactate和lactate_flag)；④统计特征构建，将(一) 中提及的变量在入ICU的头24小时的数据进一步进行抽取统计特征，其抽取 统计特征的名称如表4所示，同步基于白蛋白及其他生化指标、体重、身高等 计算获得了虚弱指数和营养指数。其中个人基础信息8个、虚弱和营养7个、 生命体征7个、尿量1个、神经功能3个、实验室检查53个和治疗信息6个。 表5还同步呈现了各个研究人群所有研究变量的缺失比例。
表5.3个研究群体的变量缺失比例
三、本发明中的模型构建与评估模块过程如下：
①模型构建与训练，包含公平性预处理、模型构建、训练与调优、模型校 准和模型推理解释5个部分。其中更为具体的模型构建方法示意图见图4。本 方法选定的预测模型为XGBoost，为对比模型的预测性能，同步纳入了RF、 LR、NB机器学***性，构建了Reweighing公平性 预处理模型、Disparate impact remover公平性预处理模型以及不纳入种族变量 的预测模型(RW_XGB_CAL,DISP_XGB_CAL,XGB_no race)。为降低预测模型对死亡风险预测概率的高估/低估，采用保序回归方法对预测模型进行后校准。 将发展集的80％患者用于模型的训练和参数的调优，10％的患者用于模型的校 准，10％的患者用于模型的内部验证。模型的推理解释采用SHAP方法获得整 个老年群体的风险因素排名和低龄、中龄、高龄老年群体各自的风险因素排名， 并可同步获得单独患者的预测推理解释。②模型性能评估，关注的性能指标包 含3个方面：a.预测性能(AUROC、AUPRC、特异性、敏感性、准确性、F1 值、准确性、精准性)，其中AUROC和AUPRC作为对比基线模型和临床评分 的区分指标；b.偏倚指标(Brier score、SMR)，评估模型对风险预测概率与真实 情况偏倚程度；c.公平性指标(DIR、EOD、PPPD)，评估模型对保护群体和非 保护群体预测的差异性。采取的方式包含：内部、外部验证和时序验证、亚组 分析(年龄、性别、种族、手术入院方法)和公平性分析。
表6呈现了我们的预测模型(XGBoost)与3个机器学***性处理模型(RW_XGB_CAL、DISP_XGB_CAL、XGB_no race) 与基线模型和临床评分(选取表6中预测性能最好的基线模型和临床评分:RF、 APSIII)的公平性对比。其中DIR处于(0.8,1.2)，EOD和PPPD处于(-0.1,0.1)之 间则代表模型/评分的评估结果处于公平评估的合理范围。对比上述模型和评 分，可以获得RW_XGB_CAL模型的评估效果最为理想，即经过Reweighing 预处理的XGBoost模型作为我们最终选定的模型。表8呈现了我们的模型与基 线模型、临床评分的预测概率与真实概率差异性的对比结果，我们采用Brier score衡量。通过对比内部、外部、时序验证结果，我们的模型XGBoost的预 测结果相比于其他的模型和评分是一致最优的。表9呈现了外部验证中我们的 模型与基线模型、临床评分在4个亚组分析下的SMR对比情况，包含种族、 年龄、性别、手术入院方式。通过对比可以获得我们的模型在各个亚组评估的 预测性能均较为理想，可较为真实评估各个子群体的真实危险程度。图6亦呈 现了外部验证中各个亚组分析的SMR(95％CI)对比结果；图6中，a表示预测 模型(rw_xgb_cal),b表示OASIS,c表示SAPS,d表示APSIII,e表示SOFA,f表示APACHE-IV。表10和图7呈现了预测模型在外部验证中与基线模型和临床 评分的亚组分析的预测性能对比，可以获知我们模型的在各个子群体的评估均 表现良好，且AUROC的中位数均高于0.8；图7中，a表示内部验证,b表示外 部验证,c表示时序验证。图8中，a表示TOP20个特征的SHAP值与结局关联 重要性,b表示TOP20个特征的相对重要性排名,c表示存活患者的预测模型入 ICU推理过程,d表示死亡患者的预测模型入ICU推理过程,e表示纳入部分特 征模型AUROC变化趋势,f表示逐一提取前20个特征模型预测能力变化情况。 图8中，a和b呈现了我们的预测模型获取的整个老年群体可早期评估死亡风 险的前20个重要风险因素的排名。分别为GCS最低值、呼吸速率均值、总尿 量、是否进行机械通气、BUN最大值、年龄、CCI评分、氧饱和度最低值、休 克指数、心率均值、BUN与肌酐比值、转入ICU前入院天数、营养指数、体 温均值、氯离子最低值、AST最高值、是否姑息治疗、收缩压均值、血红蛋白 最低值和BMI；c和d呈现了模型早期对两名患者(幸存者、非幸存者)的风险评 估的解释；e呈现了在发展集中，预测模型纳入部分变量(5～85个)模型预测性 能的变化情况，可知当模型纳入20个变量时即比较接近纳入所有变量的预测性 能；f呈现了在发展集中分别去除各个变量模型预测性能的下降程度，可知GCS 最低值、CCI评分和是否姑息治疗对于模型的预测具有较为明显的作用。图9 呈现了模型在外部验证集、时序验证集中纳入部分变量和移除单独变量模型预 测性能的变化情况；图9中，a表示纳入部分特征模型AUROC变化趋势,b表 示逐一提取前20个特征模型预测能力变化情况(外部验证),c表示纳入部分特征模型AUROC变化趋势,d表示逐一提取前20个特征模型预测能力变化情况 (时序验证)。图10至图12分别呈现了低龄、中龄、高龄老年患者各个群体的 前20个重要风险因素的排名。图10至图12中，1为SHAP图,2为雷达图； 图13呈现了在发展集、外部验证集、时序验证集中CCI评分、BMI和虚弱指 数在3个年龄子群体的幸存者和非幸存者的分布差异对比。表11呈现了整个老 年群体、低龄、中龄和高龄老年患者进行风险早期预测和评估的模型全部特征排名。图14呈现了在发展集、外部验证集、时序验证集中GCS评分、营养指 数在3个年龄子群体的幸存者和非幸存者的分布差异对比。图15呈现了在发展 集、外部验证集、时序验证集中治疗方式(机械通气和姑息治疗)在3个年龄子 群体的幸存者和非幸存者的分布差异对比。图13-15中，1为内部验证,2为外 部验证,3为时序验证。
通过内部、外部、时序验证，模型的预测偏倚校准，以及预测性能的全面 偏倚评估和分析。最终，将上述提及的数据处理过程、预测模型计算和推理、 可解释功能进行封装，形成可以自动进行数据清洗、计算、评估和给出分析原 因的装置，如图16所示。
表6.死亡风险预测模型与基线模型和临床评分的预测性能对比
表7.死亡风险预测模型与基线模型和临床评分的公平性对比
表8.死亡风险预测模型与基线模型和临床评分的Brier score对比
| 内部验证 | 外部验证 | 时序验证 | |
| XGBoost | 0.083(0.076-0.09) | 0.082(0.079-0.085) | 0.066(0.061-0.072) |
| RF | 0.086(0.08-0.093) | 0.085(0.082-0.088) | 0.073(0.067-0.079) |
| LR | 0.09(0.084-0.098) | 0.094(0.091-0.096) | 0.077(0.07-0.084) |
| NB | 0.098(0.091-0.106) | 0.093(0.09-0.097) | 0.083(0.077-0.089) |
| APACHE-IV | -- | 0.097(0.094-0.1) | -- |
| APSIII | 0.096(0.089-0.103) | 0.094(0.091-0.098) | 0.079(0.073-0.086) |
| SAPS | 0.143(0.137-0.151) | 0.159(0.155-0.163) | 0.125(0.119-0.132) |
| SOFA | 0.102(0.094-0.11) | 0.096(0.092-0.099) | 0.085(0.078-0.092) |
| OASIS | 0.107(0.099-0.114) | 0.1(0.097-0.103) | 0.091(0.084-0.097) |
表9.外部验证中死亡风险预测模型与基线模型和临床评分的分组SMR对 比
表10.外部验证中死亡风险预测模型与基线模型和临床评分的分组预测性 能对比
表11.风险因素排名在整个群体和低、中、高龄群体的对比
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所 涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法 和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下， 本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化 仍属于本申请的保护范围。
Claims (13)
1.一种用于重症老年患者的可解释公平早期死亡风险评估模型，其包括数据预处理模块、特征计算模块、模型运算模块、风险因素排名模块；其中，
预处理模块用于将待评估的患者的住进ICU期间的第一天的数据进行预处理；
特征计算模块用于自经预处理的数据中计算出个人基础信息特征、虚弱与营养特征、神经功能特征、生命体征特征、液体出量特征、实验室检查特征、治疗信息特征，作为模型运算模块的输入特征；
模型运算模块包括公平性算法子模块、XGBoost运算子模块、保序回归子模块；
公平性算法子模块对输入特征进行处理后，送至XGBoost运算子模块进行计算，XGBoost运算子模块对应于每个输入特征为风险评估模型的一个风险因子；XGBoost运算子模块的计算结果通过保序回归子模块进行处理，得到模型运算模块处理结果；
风险因素排名模块根据模型运算模块的处理结果得到该患者的风险因素的排名和模型对患者进行个体化评估的可解释性分析，并给出该患者发生院内不良结局的风险值。
2.根据权利要求1所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
个人基础信息特征选自：年龄、性别、BMI、入院类型、手术入院方式、种族、ICU转入前入院天数、查尔森合并症指数；
虚弱与营养特征选自：活动能力、营养指数、虚弱指数；
神经功能特征选自：格拉斯哥评分、谵妄评分；
生命体征特征选自：心率、呼吸速率、平均动脉压、收缩压、体温、血氧饱和度、休克指数；
液体出量特征为：尿量；
实验室检查特征选自：氧分压、吸入氧浓度、二氧化碳分压、氧合指数、白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸转氨酶、碱过量、凝血酶原时间、部分凝血活酶时间、碳酸氢盐、胆红素、阴离子间隙、血尿素氮、肌酐、尿素氮与肌酐比值、氯化物、肾小球滤过率、葡萄糖、血细胞比容、血红蛋白、国际标准化比率、乳酸、淋巴细胞、镁离子、中性粒细胞、中性粒细胞与淋巴细胞比率、血小板、钾离子、钠离子、白细胞；
治疗信息特征选自：是否采取姑息治疗、是否机械通气治疗、是否多巴酚丁胺治疗、是否多巴胺治疗、是否肾上腺素治疗和是否去甲肾上腺素治疗。
3.根据权利要求2所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：进一步包括使用判别模块；
XGBoost运算子模块的运行模式包括整体模式、低龄模式、中龄模式、高龄模式；整体模式对应65岁以上老年群体，低龄模式对应65至74岁老年群体，中龄模式对应75岁至84岁老年群体，高龄模式对应85岁以上老年群体；
使用判别模块根据特征计算模块计算得到的特征值，选择模型运算模块的相应运行模式。
4.根据权利要求3所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
在XGBoost运算子模块的整体模式中，各输入特征的重要性降序排名的前20为：
格拉斯哥评分、呼吸频率、尿量、是否进行机械通气、尿素氮、年龄、查尔森合并症指数、血氧饱和度、休克指数、心率、肌酐与尿素氮比值、ICU转入前入院天数、营养指数、体温、氯离子、谷草转氨酶、是否姑息治疗、收缩压、血红蛋白、BMI。
5.根据权利要求3所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
在XGBoost运算子模块的低龄模式中，各输入特征的重要性降序排名的前20为：
格拉斯哥评分、是否进行机械通气、尿量、肌酐与尿素氮比值、呼吸频率、虚弱指数、氯离子、血细胞比容、休克指数、心率、血小板、查尔森合并症指数、ICU转入前入院天数、尿素氮、体温、谷草转氨酶、血红蛋白、血氧饱和度、乳酸、白细胞计数。
6.根据权利要求3所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
在XGBoost运算子模块的中龄模式中，各输入特征的重要性降序排名的前20为：
格拉斯哥评分、尿量、呼吸频率、是否进行机械通气、休克指数、查尔森合并症指数、血氧饱和度、体温、营养指数、尿素氮、凝血酶原时间、收缩压、碱过量、二氧化碳分压、入院类型、ICU转入前入院天数、血小板、乳酸,部分凝血活酶时间、中性粒细胞与淋巴细胞比率。
7.根据权利要求3所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
在XGBoost运算子模块的高龄模式中，各输入特征的重要性降序排名的前20为：
格拉斯哥评分、尿量、呼吸频率、血氧饱和度、二氧化碳分压的最高值、是否进行机械通气、尿素氮、阴离子间隙、ICU转入前入院天数、白蛋白、收缩压、葡萄糖、心率、吸入氧浓度、谷草转氨酶、二氧化碳分压的最低值、体温、血红蛋白、钾离子、是否姑息治疗。
8.根据权利要求1所述的用于重症老年患者的可解释公平早期死亡风险评估模型，其特征在于：
风险因素排名模块采用SHAP值进行当前时刻的风险因素贡献程度评估，采用蓝色代表该因素当前处于正常状态对老年患者的结局不产生危害影响，采用红色代表该因素当前处于异常状态对患者的结局产生危害影响，且SHAP值越大对结局的影响程度越大，最终该患者发生院内不良结局的风险值来评估老年患者的院内结局。
9.一种用于重症老年患者的可解释公平早期死亡风险评估装置，其包括计算设备，该计算设备加载有权利要求1-8中任一项所述的用于重症老年患者的可解释公平早期死亡风险评估模型。
10.一种用于重症老年患者的可解释公平早期死亡风险评估模型的建立方法，其包括：数据集构建步骤、数据处理步骤、模型构建与评估步骤；
在数据集构建步骤中，根据纳入排除标准和患者来自不同中心以及时间跨度确定研究人群，形成发展集、外部验证集和时序验证集；基于老年患者的病理生理特性和临床研究确定研究变量，包含个人基础信息、虚弱与营养指标、神经功能指标、生命体征、尿量、实验室检查和治疗；正样本定义为患者在住院期间出现不良结局；
在数据处理步骤中，将来自发展集、外部验证集和时序验证集的数据进行清洗、整合、采样和插值，将数据进一步整理获得统计特征，该统计特征为最大值、最小值、平均值、或求和，并构建虚弱指数和老年营养指数，其中个人基础信息特征选自：年龄、性别、BMI、入院类型、手术入院方式、种族、ICU转入前入院天数、查尔森合并症指数；虚弱与营养特征选自：活动能力、营养指数、虚弱指数；神经功能特征选自：格拉斯哥评分、谵妄评分；生命体征特征选自：心率、呼吸速率、平均动脉压、收缩压、体温、血氧饱和度、休克指数；液体出量特征为：尿量；实验室检查特征选自：氧分压、吸入氧浓度、二氧化碳分压、氧合指数、白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸转氨酶、碱过量、凝血酶原时间、部分凝血活酶时间、碳酸氢盐、胆红素、阴离子间隙、血尿素氮、肌酐、尿素氮与肌酐比值、氯化物、肾小球滤过率、葡萄糖、血细胞比容、血红蛋白、国际标准化比率、乳酸、淋巴细胞、镁离子、中性粒细胞、中性粒细胞与淋巴细胞比率、血小板、钾离子、钠离子、白细胞；治疗信息特征选自：是否采取姑息治疗、是否机械通气治疗、是否多巴酚丁胺治疗、是否多巴胺治疗、是否肾上腺素治疗和是否去甲肾上腺素治疗；
在模型构建与评估步骤中，进行模型的构建与训练、模型性能评估；其中，模型的构建与训练包含公平性预处理、模型构建、模型的训练与调优、模型的校准和模型的推理解释；其中模型性能评估包括3类评估指标和3种评估方式；3类评估指标为：区分指标、校准指标、和公平指标；3种评估方式为：内部、外部和时序验证，亚组分析，公平性评估。
11.根据权利要求10所述的用于重症老年患者的可解释公平早期死亡风险评估模型的建立方法，其特征在于：
研究人群取自美国的单中心Medical Information Mart for Intensive Care III(MIMIC-III)Carevue、美国的多中心eICU Collaborative Research Database(eICU-CRD)和MIMIC数据集的更新MIMIC-IV 2008年至2019年。
12.根据权利要求10所述的用于重症老年患者的可解释公平早期死亡风险评估模型的建立方法，其特征在于：
在数据处理步骤中，清洗中将来自不同数据集和同一数据集的格式统一、单位统一、去除离群值；采样中下采样为1小时；插值中缺少比例≤30％***人群中位数，否则需要加入该特征对应的标志特征标识是否测量0/1。
13.根据权利要求11所述的用于重症老年患者的可解释公平早期死亡风险评估模型的建立方法，其特征在于：
模型构建与评估步骤中，将来自MIMIC和eICU-CRD的人群共14家医院进行融合作为一个大样本、多中心的训练集，其中80％的患者数据用于模型的训练和采用交叉验证调节XGBoost模型的超参数，其中10％的患者数据用于模型的校准，剩余10％的患者用于模型预测性能的内部验证；采用3种公平性预处理算法降低模型种族评估的偏倚即不公平性，该三种公平预处理算法包括Reweighing算法、Disparate impact remover算法和不纳入种族变量的预测算法；采用SHAP方法获得模型的预测风险因素排名和个体化的推理解释；
通过3种方式对模型的偏倚、普适性、鲁棒性和易用性进行全面评估；采用内部验证、外部验证、时序验证的方式评估模型面向不同应用场景的的预测性能；采用亚组分析的方式评估模型在面向不同子群体的预测性能，包括年龄、性别、种族和手术入院方式；采用公平性评估以降低模型对未受保护群体的评估偏倚；通过3类评估指标衡量模型的性能，包括：7个预测性能指标，AUROC、AUPRC、特异性、敏感性、准确性、F1值、精准性，并将其中AUROC、AUPRC作为区分指标，Brier score、SMR用于评估模型预测结果与真实情况对比的差异，作为校准指标，DIR、EOD、PPPD用于衡量模型评估是否公平指标；并与逻辑回归LR、随机森林RF和朴树贝叶斯NB模型机器学习模型和急性生理慢性健康状况评分APACHE-IV、急性生理评估评分APSIII、全身性感染相关性器官功能衰竭评分SOFA、简化急性生理评分SAPS和牛津急性疾病严重程度评分OASIS临床评分进行对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527712.3A CN115101199A (zh) | 2022-05-16 | 2022-05-16 | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527712.3A CN115101199A (zh) | 2022-05-16 | 2022-05-16 | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115101199A true CN115101199A (zh) | 2022-09-23 |
Family
ID=83287986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210527712.3A Pending CN115101199A (zh) | 2022-05-16 | 2022-05-16 | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115101199A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580836A (zh) * | 2023-05-11 | 2023-08-11 | 中国人民解放军总医院 | 一种评估高龄患者院内不良结局风险的装置、***和介质 |
| CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
| CN117976142A (zh) * | 2024-04-02 | 2024-05-03 | 营动智能技术(山东)有限公司 | 一种基于XGBoost和SHAP值的慢性病精准干预*** |
-
2022
- 2022-05-16 CN CN202210527712.3A patent/CN115101199A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580836A (zh) * | 2023-05-11 | 2023-08-11 | 中国人民解放军总医院 | 一种评估高龄患者院内不良结局风险的装置、***和介质 |
| CN117133461A (zh) * | 2023-10-23 | 2023-11-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及相关设备 |
| CN117133461B (zh) * | 2023-10-23 | 2024-01-30 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及装置 |
| CN117976142A (zh) * | 2024-04-02 | 2024-05-03 | 营动智能技术(山东)有限公司 | 一种基于XGBoost和SHAP值的慢性病精准干预*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827993A (zh) | 基于集成学习的早期死亡风险评估模型建立方法及装置 | |
| Davis et al. | Predicting In-Hospital Mortality The Importance of Functional Status Information | |
| CN115101199A (zh) | 用于重症老年患者的可解释公平早期死亡风险评估模型、装置、及其建立方法 | |
| García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
| JP7286863B2 (ja) | 医療データの自動化された検証 | |
| US11640852B2 (en) | System for laboratory values automated analysis and risk notification in intensive care unit | |
| CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
| CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| US20030191666A1 (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
| CN117198532A (zh) | 一种基于机器学习的icu患者脓毒症风险预测方法及*** | |
| US20220068492A1 (en) | System and method for selecting required parameters for predicting or detecting a medical condition of a patient | |
| CN116543902A (zh) | 一种可解释重症儿童死亡风险评估模型、装置及建立方法 | |
| Bui et al. | Infant seizures not so infantile: first-time seizures in children under six months of age presenting to the ED | |
| CN115223706A (zh) | 适用于移动监护设备的脓毒症早期筛查模型 | |
| Zhao et al. | Development and application of an intensive care medical data set for deep learning | |
| Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
| Talebpour et al. | Comparison between emergency severity index plus capnometer and emergency severity index in the dyspneic patients with chronic heart failure | |
| Zhao et al. | External validation of a deep learning prediction model for in-hospital mortality among ICU patients | |
| Morland et al. | Long-term prognosis for patients admitted to a medical intermediate care unit | |
| Conway et al. | Limited Prognostic Utility of a Simplified Vital Sign Based Risk Calculator in Acute Medical Admissions | |
| Lin | Risk prediction of gestational diabetes mellitus with four machine learning models | |
| Smellie et al. | Best practice in primary care pathology: review 10 | |
| CA2458066C (en) | System and method for evaluating pretest probabilities of life-threatening diseases | |
| Liliopoulos et al. | Development and Validation of the VIOSync Sepsis Prediction Index: A Novel Machine Learning Model for Sepsis Prediction in ICU Patients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |