结合机器学习模型的早产儿ICU死亡风险评估与可解释性分析.pdfVIP

结合机器学习模型的早产儿ICU死亡风险评估与可解释性分析.pdf

·论著·中国现代医生2025年6月第63卷第18期

结合机器学习模型的早产儿ICU死亡风险评估

与可解释性分析

1233

苏燕凤，洪素茹，陈钰霜，吴夏阳

1.厦门医学院附属第二医院急诊医学科，福建厦门361021；2.厦门市儿童医院放射科，福建厦门361006；3.厦门市

儿童医院药学部，福建厦门3610061

[摘要]目的利用机器学习算法预测早产儿重症监护病房（intensivecareunit，ICU）死亡风险，为临床医生提供早期诊

断和风险评估的辅助决策工具。方法回顾性收集儿科重症监护数据库中早产儿病例的临床数据。基于最小绝对收缩和

选择算子（leastabsoluteshrinkageandselectionoperator，LASSO）回归分析和多因素Logistic回归分析，筛选影响早产

儿预后的关键临床特征。研究通过人工少数类过采样技术算法平衡数据，结合7种机器学习模型构建预测模型并评估其

性能。使用沙普利加性解释法（Shapleyadditiveexplanations，SHAP）进行模型解释。结果最终纳入患儿923例，生存

组886例，死亡组37例，共收集38个临床特征。LASSO筛选出8个与早产儿ICU死亡密切相关的变量（乳酸、呼吸

频率、氯离子浓度、中性粒细胞、红细胞分布宽度等）。多因素Logistic回归分析显示乳酸、呼吸频率是早产儿ICU预

后的独立影响因素。内部测试及外部验证显示轻量梯度提升机模型在准确性、精确性等指标上均优于其他模型。SHAP

分析显示，呼吸频率和乳酸对早产儿死亡风险的预测贡献最大。结论本研究为早产儿预后的早期识别和干预提供可靠

工具，强调关键指标的重要性。

[关键词]早产儿；ICU死亡风险；机器学习；轻量梯度提升机模型；风险预测

[中图分类号]R722.6[文献标识码]A[DOI]10.3969/j.issn.1673-9701.2025.18.007

Mortalityriskassessmentandinterpretabilityanalysisofpreterminfantsinthe

ICUbyusingmachinelearningmodels

1233

SUYanfeng,HONGSuru,CHENYushuang,WUXiayang

1.DepartmentofEmergencyMedicine,theSecondAffiliatedHospitalofXiamenMedicalCollege,Xiamen361021,Fujian,

China;2.DepartmentofRadiology,XiamenChildren’sHospital,Xiamen361006,Fujian,China;3.DepartmentofPharmacy,

XiamenChildren’sHospital,Xiamen361006,Fujian,China

[Abstract]ObjectiveToaimatusingmachinelearningalgorithmstopredicttheriskofneonatalintensivecareunit(ICU)

mortality,providingclinicianswithanearlydiagnosisandriskassessmenttooltoassistindecision-making.MethodsClinical