死亡风险预测AUC突破90%！北京协和专家团队AI技术新进展

2022年10月，北京协和医院MICU团队在BMC上发表了最新研究成果。

在这项研究中，专家医生和AI算法团队历经数月不断优化调整算法模型，开发出适用于ICU临床的动态预测器，以高精度预测 ICU 在七个不同时间点发生危及生命事件的风险。

此项预测将帮助临床医生在短期和中期选择治疗和干预措施，从而有效的降低ICU的死亡率，特别是在低收入和中等收入国家有限的医疗保健资源。

入住ICU的患者病得很重，因此他们的死亡率往往高于病房的普通患者。随着人工智能的发展，许多研究人员已经应用机器学习方法来研究严重疾病，然而，这些研究仅包括入住ICU后72小时内的数据，而排除了在ICU停留超过3天的重症患者。

此外，大多数ICU患者的机器学习模型利用少量特征来预测死亡风险。鉴于ICU患者的高度异质性，有限数量的特征可能无法捕捉到一些重要的恶化迹象，从而导致性能欠佳。

本研究收集北京协和医院内科重症监护病房从2014年1月到2019年10月的共3151名患者数据。在

排除了年龄小于18岁和入科时长小于24小时术后患者后，对2170名患者进行了建模分析。使用的变量数据包含了人工统计学、生命体征、血流动力学、检验、呼吸机参数、出入量等，并通入 embedded method 来进行特征选择。

论文的创新之一是把患者的重大危急事件，如心外按压作为结局事件来进行预测，区别传统的死亡分析预测模型。并建立多个预测模型，对患者中短期预后情况进行分别预测。

研究结果显示多天的预测模型之中，GBM1（lightGBM预测患者24小时的危重情况）性能最好，AUC在90.5%以上。随着预测时间的变长，模型性能有所降低，7天内的风险预测性能为87.23%。

从模型的重要性排序分析来看，本论文也发现了静态变量与动态变量对于不同时长预测模型的贡献区别。

对于短期预测，一些出入量（去甲肾上腺素、微泵等）与检验（乳酸，中心静脉压等）特征具有更好的预测性能，但对于长时间的未来的风险预测，患者的基础疾病会变的更重要。

本研究表明，将机器学习方法与 ICU 中的大规模高质量临床数据相结合，可以准确预测 ICU 患者的危及生命的事件，以进行早期干预。

到目前为止，大多数已发表的关于 ICU 患者的机器学习研究都基于一个开放数据库，即重症监护医学信息集市 (MIMIC)，该数据库由麻省理工学院计算生理学研究所、贝丝以色列女执事医疗中心 (BIDMC) 建立和飞利浦医疗。很少有研究基于来自中国的 ICU 数据。

协和MICU研究团队将通过建立的专科数据库，结合人工智能技术，持续致力于ICU疾病的相关研究。此前，协和MICU团队已经发布重症医学领域中全国首个地方标准数据集《重症医学数据集 患者数据》。