【研究背景】

重症监护室(ICU)为急需医疗监护的患者提供监护治疗。与普通病房相比，ICU具有更加精细的设备和技术支持，但床位资源十分紧张。研究表明，大约4-6%的ICU患者会因病情恶化而再次进入ICU，显著增加患者住院死亡率。传统临床方法，如基于病史和检查的评估，往往无法准确预测患者未来可能出现的器官功能障碍或生命体征波动。因此，采用机器学习方法来提升ICU患者转出后风险预测的准确性与可靠性，成为本研究的核心目标。研究提出通过构建有效的预测模型，来提前评估出院后患者的再入院或死亡风险，从而为临床决策提供支持。

【研究设计】

本研究旨在预测ICU患者转出后48h内发生意外再入院或死亡的风险，为单中心、回顾性队列研究。研究对象为2010年1月1日至2019年10月31日入住研究中心ICU的17604名18岁及以上的患者。在此时间段内，患者两天内意外再次入住ICU的住院构成阳性结果，所有其他住院均为阴性结果。为了分析该群体，数据集筛选了从ICU转至普通病房的患者，并排除出院后死亡或转院至其他ICU/医院的患者。收集ICU患者的临床数据，包括基本信息、疾病史、治疗过程、生命体征、实验室检查结果等。最终，共收集了328个临床特征，用于机器学习模型的输入。

【数据处理和模型开发】

数据集被划分为训练集（70%）、校准集（5%）和测试集（25%）。训练集用于模型训练和超参数优化，校准集用于选择最佳的决策阈值，测试集则用于验证模型的最终性能。研究使用了AutoML工具Auto-sklearn 0.14.6和CaTabRa来评估不同机器学习架构、超参数和特征配置。使用的机器学习算法，包括AdaBoost、K最近邻(kNN)、支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)和极端梯度提升(XGBoost)，均被纳入模型训练中。使用平均精度(AP)作为超参数优化目标。除AP外，还报告了AUC-ROC、平衡准确性(bACC)、敏感性、阳性预测值(PPV)、阴性预测值(NPV)和F1评分。

为了验证，还使用了MIMIC-IV数据库。MIMIC-IV也被分为训练集、校准集和测试集。在我们的内部数据集上训练的所有模型都在MIMIC-IV测试集上进行了测试。同时，模型也在MIMIC-IV上进行训练，然后在我们的内部测试集上进行评估。最后，将本结果与模型与转移的稳定性和工作负荷指数(SWIFT)评分进行比较。

本研究使用了SHAP方法来评估各个特征对模型预测的影响。SHAP值表示每个特征对预测结果的贡献，颜色表示每个变量的值对风险预测的影响。

【结果】

本研究纳入了14236名独立患者，进行了16405次ICU住院分析。在这些患者中，有310例(1.89%)出现了转出ICU后48小时内的再转入或死亡。外部验证使用了MIMIC-IV数据集，共有42949名独立患者，进行了58434次ICU住院分析，其中2873例(4.92%)属于阳性结果。两组数据的阳性结果率差异较大，原因可能在于MIMIC-IV未能区分计划内和计划外的ICU再转入，所有再转入均被视为计划外。

在所有的机器学习模型中，随机森林在AP(0.087±0.027)和AUC-ROC(0.721±0.029)指标上表现最佳，其PPV和NPV分别为0.036±0.006和0.990±0.002。在MIMIC-IV数据集上，模型性能显著下降，特别是随机森林的AUC-ROC从内部数据集的0.721降至0.641。XGBoost模型在MIMIC-IV上表现较好，获得了0.648±0.011的AUC-ROC。

SHAP分析表明，心率是随机森林模型中最重要的特征，其次是外周血氧饱和度(SpO₂)、动脉血压和实验室指标。高收缩压通常与ICU外再次转入或死亡风险相关，而高舒张压和平均血压则倾向于降低这一风险。

【讨论】

本研究表明，机器学习，特别是随机森林模型，能够有效预测ICU患者转出后的再转入或死亡风险。该预测工具不仅有助于提高临床医生的决策能力，并能优化医疗资源的配置，减少再转入率和死亡率。然而，尽管取得了积极的结果，本研究仍存在一些挑战和局限性，例如数据质量问题、模型可解释性较差等。未来的研究应扩展数据集，考虑更多的地区和人群，同时探索更加可解释的模型，以增强其临床应用的接受度。

参考文献：

Tschoellitsch T, Maletzky A, Moser P, et al. Machine learning prediction of unexpected readmission or death after discharge from intensive care: A retrospective cohort study. J Clin Anesth. 2024 Oct 14;99:111654.