Прогнозирование смертности в отделении интенсивной терапии и длительности пребывания при фибрилляции предсердий с использованием машинного обучения: исследование MIMIC-IV/MIMIC-III
Machine Learning Prediction of ICU Mortality and Length of Stay in Atrial Fibrillation: A MIMIC-IV/MIMIC-III Study
2026-01-30
SCID: 54.1/shmnapt8
Discuss with AI
Фибрилляция предсердийДлительность пребывания в ОРИТПрогнозирование смертности в ОРИТMIMIC-IV/MIMIC-IIIXGBoost
Figures from the paper
Abstract (AI)
Обоснование: Фибрилляция предсердий (ФП) часто встречается у пациентов отделений интенсивной терапии (ОИТ) и ассоциируется с повышенной смертностью, увеличением длительности пребывания (ДП) и более значительным использованием ресурсов. Широко применяемые шкалы риска при ФП разработаны для стабильных амбулаторных пациентов и имеют ограниченную применимость у пациентов в критическом состоянии. Целью исследования было: (1) охарактеризовать пациентов ОИТ с ФП, (2) разработать и провести временную внешнюю валидацию моделей машинного обучения для прогнозирования смертности в ОИТ и длительности пребывания в ОИТ, а также (3) с использованием интерпретируемых методов выявить ранние клинические факторы, связанные с этими исходами. Методы: Для разработки моделей с групповой перекрёстной проверкой использовали данные взрослых пациентов ОИТ с ФП из базы MIMIC-IV (n = 20 058), а база MIMIC-III (n = 11 475) служила когортой временной внешней валидации. Предикторами были демографические характеристики, данные о госпитализации, показатели жизненно важных функций, лабораторные показатели, вазоактивная поддержка и препараты, связанные с ФП, доступные в течение первых 24 ч после поступления в ОИТ. Для прогнозирования смертности в ОИТ оценили восемь алгоритмов классификации, а для прогнозирования длительности пребывания в ОИТ — шесть алгоритмов регрессии. Дискриминацию преимущественно оценивали по площади под характеристической кривой приёмник–оператор (AUC) и средней точности (AP); дополнительно приводили метрики, зависящие от порога, для характеристики поведения в рабочей точке при низкой распространённости события. Для основной модели смертности оптимизировали порог вероятности с использованием прогнозов, полученных вне обучающих подвыборок. Качество прогнозирования длительности пребывания оценивали по средней абсолютной ошибке (MAE), корню из среднеквадратичной ошибки (RMSE) и коэффициенту детерминации (R2). Интерпретируемость моделей оценивали с помощью метода SHapley Additive exPlanations (SHAP). Результаты: Медианный возраст составлял 75 лет, а смертность в ОИТ — 8,9%. При прогнозировании смертности модель XGBoost продемонстрировала сохранённую дискриминационную способность при временной внешней валидации на данных MIMIC-III (AUC = 0,743; AP = 0,226). При пороге вероятности по умолчанию (0,50) показатели полноты и F1 были низкими...
Key Findings
1
Модели разрабатывались на данных 20 058 пациентов MIMIC-IV и проходили временную внешнюю валидацию на 11 475 пациентах MIMIC-III.
2
Методы интерпретации SHAP использовались для выявления ранних клинических факторов, связанных со смертностью и длительностью пребывания в ОИТ.
3
В исследовании разработаны модели машинного обучения для прогнозирования внутрибольничной смертности и длительности пребывания в ОИТ у пациентов с фибрилляцией предсердий на основе ранних данных после поступления.
4
Для учета низкой распространенности события применялись оптимизация порога вероятности и порогозависимые метрики оценки работы модели смертности.
5
Модель XGBoost сохранила умеренную дискриминацию при временной внешней валидации смертности, достигнув AUC 0,743 и средней точности 0,226.
Research Object
Взрослые пациенты отделений интенсивной терапии с фибрилляцией предсердий
Research Subject
Ранние клинические предикторы и прогнозирование машинным обучением смертности в ОИТ и длительности пребывания
Publication Details
Publication Date
2026-01-30
Journal
Publisher
ISSN
Cited by
4
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest