基于集成學(xué)習(xí)模型預(yù)測(cè)重癥患者再入重癥監(jiān)護(hù)病房的風(fēng)險(xiǎn)

林 瑜，吳靜依，藺 軻，胡永華，孔桂蘭1,△

(1.北京大學(xué)健康醫(yī)療大數(shù)據(jù)國家研究院，北京 100191；2.北京大學(xué)公共衛(wèi)生學(xué)院流行病與衛(wèi)生統(tǒng)計(jì)系，北京 100191；3.北京大學(xué)信息技術(shù)高等研究院，杭州 311215；4.北京大學(xué)醫(yī)學(xué)信息學(xué)中心，北京 100191)

重癥監(jiān)護(hù)病房(intensive care unit,ICU)的住院費(fèi)用是國家醫(yī)療衛(wèi)生預(yù)算中最高昂的花費(fèi)之一，美國的一項(xiàng)研究顯示，ICU中的住院花費(fèi)占據(jù)了總體住院費(fèi)用的13.4%[1]。住院期間，患者再入ICU的比例為4%～10%[2-3]，無計(jì)劃的反復(fù)進(jìn)入ICU的患者往往意味著更高的死亡風(fēng)險(xiǎn)、更長的住院時(shí)間和更高昂的花費(fèi)。再入ICU的患者中，接近40%的患者由于原發(fā)基礎(chǔ)疾病沒有妥善解決導(dǎo)致病情反復(fù)而多次進(jìn)入ICU[4-5]。因此，了解重癥患者再入ICU的影響因素，建立重癥患者再入ICU的風(fēng)險(xiǎn)預(yù)測(cè)模型可以了解患者是否有再入ICU的可能性，避免患者過早離開ICU而導(dǎo)致病情反復(fù)。

目前已建立的再入ICU預(yù)測(cè)模型大多基于Logistic回歸[6]或使用ICU病情嚴(yán)重度評(píng)分[7]，預(yù)測(cè)性能有限。隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的發(fā)展，在臨床研究中使用更全面的方法建立預(yù)測(cè)模型，與ICU病情嚴(yán)重度評(píng)分相比可以得到更好的預(yù)測(cè)效果。Fialho等[8]使用模糊模型預(yù)測(cè)患者是否再入ICU，得到受試者工作特征曲線下面積(area under the receiver operating characteristic curve,AUROC)為 0.720，高于ICU常用的急性生理和慢性健康評(píng)分(acute physiology and chronic health evaluation,APACHE)的預(yù)測(cè)效果。Desautels等[9]基于英國Addenbrooke醫(yī)院的ICU患者數(shù)據(jù)，使用基于自適應(yīng)提升算法(adaptive boosting,AdaBoost)的遷移學(xué)習(xí)預(yù)測(cè)患者再入ICU風(fēng)險(xiǎn)，模型的AUROC為0.710，高于病情嚴(yán)重度評(píng)分，即轉(zhuǎn)運(yùn)的穩(wěn)定與負(fù)擔(dān)指數(shù)評(píng)分(stability and workload index for transfer score，SWIFT)。以往文獻(xiàn)中預(yù)測(cè)重癥患者再入ICU模型的區(qū)分度較為一般，性能有待提高。

臨床風(fēng)險(xiǎn)預(yù)測(cè)模型的建立往往基于結(jié)構(gòu)化數(shù)據(jù)，集成學(xué)習(xí)是對(duì)結(jié)構(gòu)化數(shù)據(jù)擬合效果最好的算法之一，隨機(jī)森林、AdaBoost和梯度提升決策樹(gra-dient boosting decision tree,GBDT)被廣泛運(yùn)用在Kaggle等數(shù)據(jù)科學(xué)競(jìng)賽中[10]，其中，GBDT具有參數(shù)設(shè)置簡單、針對(duì)數(shù)據(jù)異常值性能亦較為穩(wěn)健的特性，在臨床建模中表現(xiàn)較為突出[11]，相對(duì)于其他機(jī)器學(xué)習(xí)方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、集成學(xué)習(xí)算法等，在結(jié)構(gòu)化數(shù)據(jù)上表現(xiàn)較好，而且可以給出特征的重要性排序，計(jì)算花費(fèi)也低于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。本研究基于隨機(jī)森林、AdaBoost、GBDT三種集成學(xué)習(xí)算法，建立重癥患者再入ICU的風(fēng)險(xiǎn)預(yù)測(cè)模型，并將集成學(xué)習(xí)模型的預(yù)測(cè)效果與Logistic回歸模型進(jìn)行對(duì)比。

1 資料與方法

1.1 資料來源

數(shù)據(jù)來源于美國重癥醫(yī)學(xué)數(shù)據(jù)庫(medical information mart for intensive care，MIMIC)-Ⅲ[12]，該數(shù)據(jù)庫包含了2001—2012年Beth Israel Deaconess醫(yī)療中心ICU患者的個(gè)人數(shù)據(jù)和臨床數(shù)據(jù)，數(shù)據(jù)中變量豐富，包含人口學(xué)特征、生命體征、實(shí)驗(yàn)室檢查、手術(shù)情況、影像學(xué)檢查和死亡情況等。

將住院期間進(jìn)入ICU治療的患者分成單次進(jìn)入和重復(fù)進(jìn)入兩組，患者排除標(biāo)準(zhǔn)包括：(1)死亡患者，(2)新生兒ICU患者，(3)入住ICU時(shí)長小于24 h的患者，(4)年齡小于18或大于90歲的患者。

一次住院中患者有可能多次再入ICU，只選擇第一次的再入ICU記錄，確保每次住院只有一條記錄納入數(shù)據(jù)集。本研究篩選出的再入ICU記錄為2 053條，未發(fā)生再入ICU的記錄為33 656條。盡可能納入較多的預(yù)測(cè)變量以獲得更好的預(yù)測(cè)效果，所選擇的進(jìn)行預(yù)測(cè)建模的變量在原始數(shù)據(jù)集中的缺失率不高于20%。此外，對(duì)于單個(gè)患者缺失變量較多的情況，排除變量缺失率在30%以上的患者，最終用于建模的再入ICU記錄為1 983條，未發(fā)生再入ICU的記錄為32 179條。選擇患者出ICU前最后24 h的記錄作為模型的預(yù)測(cè)變量賦值。

1.2 指標(biāo)類型

1.2.1個(gè)體特征 包括年齡、性別、ICU入住時(shí)長、住院類型。

1.2.2生命體征 包括呼吸、心率、收縮壓、舒張壓、平均動(dòng)脈壓、血氧飽和度、體溫、血糖。

1.2.3實(shí)驗(yàn)室檢查 包括陰離子間隙、碳酸氫鹽、肌酐、氯離子、血紅蛋白、血細(xì)胞比容、血小板、鉀離子、鈉離子、血尿素氮、白細(xì)胞。

1.2.4格拉斯哥昏迷評(píng)分(Glasgow coma scale，GCS) 包括GCS總評(píng)分、GCS運(yùn)動(dòng)、GCS語言、GCS睜眼。

1.2.5合并癥 包括Elixhauser合并癥評(píng)分[13]中的所有合并癥：心力衰竭、心律失常、瓣膜疾病、肺循環(huán)疾病、周圍血管病、高血壓、癱瘓、其他神經(jīng)疾病、慢性肺病、沒有合并癥的糖尿病、有合并癥的糖尿病、甲狀腺功能減低、腎衰竭、肝病、潰瘍、艾滋病、淋巴瘤、轉(zhuǎn)移癌、未轉(zhuǎn)移腫瘤、類風(fēng)濕性關(guān)節(jié)炎、凝血病、肥胖、體質(zhì)量下降、電解質(zhì)紊亂、失血性貧血、缺鐵性貧血、酒精濫用、藥物濫用、精神病、抑郁。所有的合并癥均通過MIMIC-Ⅲ數(shù)據(jù)庫中的國際疾病分類(international classification of diseases,ICD)-9診斷編碼來提取。

1.2.6其他指標(biāo) 包括尿量、是否有氣管插管等。

本研究納入的變量同時(shí)重疊了APACHE評(píng)分[7]和SWIFT評(píng)分[14]中大部分指標(biāo)，因患者的生命體征在24 h內(nèi)經(jīng)多次測(cè)量，為反映患者生命體征在24 h內(nèi)的變化情況，生命體征的最大值、最小值也作為預(yù)測(cè)模型的輸入變量入選，本研究總計(jì)納入67個(gè)變量。

1.3 數(shù)據(jù)預(yù)處理

MIMIC-Ⅲ作為真實(shí)世界的數(shù)據(jù)庫，同樣存在數(shù)據(jù)缺失情況，有相關(guān)研究比較了均值填補(bǔ)法和線性插值法處理缺失值的效果，發(fā)現(xiàn)線性插值法對(duì)數(shù)據(jù)缺失值的擬合效果更好[15]，因此，本研究也根據(jù)線性插值法填補(bǔ)缺失值。在ICU住院患者中，發(fā)生再入ICU的只占總數(shù)據(jù)的5.7%，發(fā)生再入ICU和未發(fā)生再入ICU的數(shù)據(jù)比例極為不平衡。在未發(fā)生再入ICU的樣本占絕大多數(shù)的情況下，分類器將所有樣本預(yù)測(cè)為多數(shù)類樣本，也可以得到很高的準(zhǔn)確率，但這樣的預(yù)測(cè)就失去了意義。大多數(shù)標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)算法是針對(duì)平衡數(shù)據(jù)設(shè)計(jì)的算法，過度不平衡的數(shù)據(jù)會(huì)嚴(yán)重影響算法的預(yù)測(cè)能力。目前解決數(shù)據(jù)不平衡的方法主要有采樣、數(shù)據(jù)合成和加權(quán)等方法，本文采用兩種采樣方法處理不平衡數(shù)據(jù)，即隨機(jī)下采樣和NearMiss方法[16]。隨機(jī)采樣是在多數(shù)類樣本中隨機(jī)選擇一部分樣本，使多數(shù)類和少數(shù)類樣本數(shù)量平衡。NearMiss方法主要是基于K近鄰(K-nearest neighbor)的思想來達(dá)到下采樣的目的。NearMiss是尋找每個(gè)多數(shù)類樣本最近的3個(gè)少數(shù)類樣本，計(jì)算其平均距離，選擇平均距離最小的多數(shù)類樣本組成新的樣本子集。本研究將原始數(shù)據(jù)集分成80%的訓(xùn)練集和20%的測(cè)試集，用于評(píng)估經(jīng)過隨機(jī)下采樣方法和NearMiss方法處理后的數(shù)據(jù)對(duì)模型性能的影響。使用預(yù)處理后的數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型，根據(jù)模型在測(cè)試集上的準(zhǔn)確率來評(píng)估不平衡數(shù)據(jù)處理方法的優(yōu)劣。從隨機(jī)下采樣和NearMiss方法的準(zhǔn)確率可以看出，NearMiss方法可以較大程度地提升分類器的性能(表1)。因此，本研究使用NearMiss方法來處理不平衡數(shù)據(jù)，再進(jìn)行建模預(yù)測(cè)。

表1 隨機(jī)下采樣和NearMiss方法處理不平衡數(shù)據(jù)的性能Table 1 Performance comparison between random under-sampling and NearMiss methods

在建模之前，本研究進(jìn)行了特征選擇，使用基于Logistic回歸的遞歸特征消除法尋找最佳的預(yù)測(cè)變量的組合。遞歸特征消除結(jié)果顯示，在特征不斷增加的同時(shí)，模型的預(yù)測(cè)性能也在不斷上升(圖1)。因此，基于Logistic回歸的遞歸特征消除法提示本研究納入的所有特征均對(duì)模型的預(yù)測(cè)效果有貢獻(xiàn)，如果只選取部分特征，可能導(dǎo)致模型預(yù)測(cè)性能的下降，故本研究納入所有特征，不對(duì)特征進(jìn)行選擇，以確保最佳的預(yù)測(cè)性能。

RFE,recursive feature elimination;LR,Logistic regression.圖1 基于Logistic回歸的遞歸特征消除法Figure 1 Recursive feature elimination based on Logistic regression

1.4 預(yù)測(cè)模型

Logistic回歸中因變量是二分類變量，無需事先假設(shè)數(shù)據(jù)分布，將樣本落入某一類的后驗(yàn)概率建模為Logit函數(shù)(圖2)。使用Logit函數(shù)可以將自變量的線性組合轉(zhuǎn)化為0～1之間的預(yù)測(cè)值，得到發(fā)生某一類別事件的概率，并根據(jù)概率大小來判定結(jié)局的類別，因可解釋性強(qiáng)而使用廣泛。

圖2 Logit函數(shù)示意圖Figure 2 Logit function

AdaBoost[18]是集成學(xué)習(xí)提升法(boosting)的代表算法，使用基礎(chǔ)分類器單層決策樹進(jìn)行串行訓(xùn)練而獲得更強(qiáng)的分類器。每一輪訓(xùn)練，根據(jù)當(dāng)前基礎(chǔ)分類器的誤差率em(m為迭代次數(shù)，m=1，2，…，M)來確定本輪基礎(chǔ)分類器權(quán)重am，同時(shí)更新樣本權(quán)重，并根據(jù)新的樣本權(quán)重訓(xùn)練下一個(gè)基礎(chǔ)分類器Gm+1(x)，最終AdaBoost的輸出是所有基礎(chǔ)分類器的加權(quán)組合。

首先計(jì)算基礎(chǔ)分類器在訓(xùn)練集上的分類誤差率：

(1)

其中，N為樣本總數(shù)，wmi是第m輪迭代中第i個(gè)樣本的權(quán)重，I代表結(jié)果為0或1的指示函數(shù)，在訓(xùn)練第一個(gè)基礎(chǔ)分類器G1時(shí)，為N個(gè)訓(xùn)練樣本分配相等的權(quán)重。分類器的誤差率越大，其在最終模型中所占的比重就越小，根據(jù)分類器的誤差率確定每個(gè)分類器的權(quán)重am：

(2)

同時(shí)，更新訓(xùn)練樣本的權(quán)重，為分類錯(cuò)誤的樣本分配更高的權(quán)重：

(3)

其中，Zm為規(guī)范化因子，計(jì)算公式為：

(4)

接下來進(jìn)行下一個(gè)基礎(chǔ)分類器Gm+1(x)(m+1≤M)的訓(xùn)練，每次迭代中生成新的基礎(chǔ)分類器可以最佳地?cái)M合當(dāng)前加權(quán)樣本。AdaBoost的輸出是各基礎(chǔ)分類器結(jié)果的加權(quán)組合，公式為：

(5)

對(duì)f(x)輸出的概率進(jìn)行判別，得到最終的分類結(jié)果。

L(y,F(x))=ln(1+exp(-2yF(x))),y∈{-1,1}，

(6)

其中，F(xiàn)(x)為：

(7)

GBDT模型的最終目標(biāo)是找到使損失函數(shù)(7)最小的F(x)，進(jìn)而計(jì)算樣本的預(yù)測(cè)概率，得到樣本分類的結(jié)果。建立二分類的GBDT模型，首先根據(jù)公式(8)初始化GBDT模型：

(8)

(9)

(10)

獲得新的基礎(chǔ)分類器的輸出后，將CART的輸出結(jié)果與上一輪模型Fm-1(x)串聯(lián)后就可以得到GBDT的當(dāng)前模型Fm(x)：

(11)

最終模型預(yù)測(cè)概率值為：

(12)

1.5 建立模型

使用PostgreSQL在MIMIC-Ⅲ數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)篩選，描述研究人群的基本特征，根據(jù)數(shù)據(jù)分布選擇卡方檢驗(yàn)或秩和檢驗(yàn)比較組間差異。基于Logistic回歸、隨機(jī)森林、AdaBoost和GBDT四種方法預(yù)測(cè)建模，使用五折交叉驗(yàn)證來訓(xùn)練和驗(yàn)證模型的判別能力?；陟`敏度、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值、假陽性率、假陰性率、AUROC、Brier評(píng)分來評(píng)價(jià)模型的預(yù)測(cè)能力，其中，前5項(xiàng)是臨床建模較為常用的指標(biāo)，Brier評(píng)分衡量了模型總體概率預(yù)測(cè)的準(zhǔn)確性，AUROC衡量了模型總體判別患者是否再入ICU的區(qū)分度。在建立預(yù)測(cè)模型的同時(shí)，利用預(yù)測(cè)效果最好的模型給出重要性排序前10位的預(yù)測(cè)變量，變量的全局重要性通過五折交叉驗(yàn)證的重要性均值得到。使用R 3.5.1和Python 3.6軟件進(jìn)行分析。

2 結(jié)果

2.1 數(shù)據(jù)基本情況

本研究納入ICU住院記錄34 162條，其中發(fā)生再入ICU的住院記錄1 983條，患者在住院期間再入ICU率為5.7%，僅使用無缺失值的數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析。與未發(fā)生再入ICU的患者相比，發(fā)生再入ICU的患者平均年齡更大，ICU住院時(shí)間更長，GCS的總分和各項(xiàng)GCS評(píng)分更低，因非擇期手術(shù)而入院的患者比例更高(表2)。

表2 有無再入ICU的重癥患者基本情況比較Table 2 The characteristics of critically ill patients with and without ICU readmission

2.2 預(yù)測(cè)模型性能

基于Logistic回歸、隨機(jī)森林、AdaBoost和GBDT算法建立預(yù)測(cè)模型，4個(gè)模型的五折交叉驗(yàn)證后的結(jié)果見表3，其中，GBDT的區(qū)分度最好，平均AUROC達(dá)到0.858，AdaBoost (AUROC=0.851)的區(qū)分度略差于GBDT，隨機(jī)森林(AUROC=0.827)的預(yù)測(cè)效果第三，Logistic回歸(AUROC=0.810)的預(yù)測(cè)效果最差。

表3 Logistic回歸、隨機(jī)森林、AdaBoost和GBDT模型預(yù)測(cè)再入ICU的性能Table 3 The prediction performance of Logistic regression,random forest,AdaBoost,and GBDT

a,b,c,d,represent the threshold of feature value in node splitting.圖3 決策樹示意圖Figure 3 Decision tree

從預(yù)測(cè)模型的靈敏度、陽性預(yù)測(cè)值、陰性預(yù)測(cè)值、假陽性率、假陰性率和Brier評(píng)分的結(jié)果可以看出，GBDT的靈敏度略差于AdaBoost，陰性預(yù)測(cè)值與AdaBoost相當(dāng)，陽性預(yù)測(cè)值、假陽性率、假陰性率和Brier評(píng)分的表現(xiàn)都是4個(gè)模型中最好的。在集成學(xué)習(xí)模型的總體預(yù)測(cè)效果中，GBDT的預(yù)測(cè)效果優(yōu)于隨機(jī)森林，略好于AdaBoost。對(duì)比集成學(xué)習(xí)和Logistic回歸的預(yù)測(cè)效果，集成學(xué)習(xí)算法與Logistic回歸相比均有較大的提升，能夠提供更為精確的再入ICU風(fēng)險(xiǎn)預(yù)測(cè)。

再入ICU的預(yù)測(cè)模型中，預(yù)測(cè)性能最佳的GBDT算法給出的預(yù)測(cè)變量的重要性排序見表4，排序靠前的變量為血小板、血糖、尿量、血壓、心率和血肌酐等，以實(shí)驗(yàn)室檢查和生命體征變量為主。由表4可見，心血管功能方面，發(fā)生再入ICU患者的平均動(dòng)脈壓、收縮壓、舒張壓和心率比未發(fā)生再入ICU的患者更高；腎功能方面，再入ICU的患者尿量更少、血肌酐更高。總體來說，再入ICU的患者心血管功能和腎功能比未發(fā)生再入ICU的患者更差。

表4 基于GBDT模型重要性排序前10位的變量及分布Table 4 Top 10 variables identified by feature importance based on GBDT model and their distributions

3 討論

本研究使用美國MIMIC-Ⅲ數(shù)據(jù)庫，基于集成學(xué)習(xí)算法建立重癥患者再入ICU的風(fēng)險(xiǎn)預(yù)測(cè)模型，其中，GBDT算法預(yù)測(cè)效果最好，平均AUROC達(dá)到0.858，高于隨機(jī)森林(AUROC=0.827)、AdaBoost (AUROC=0.851)和Logistic回歸(AUROC=0.810)。

集成學(xué)習(xí)算法是目前對(duì)結(jié)構(gòu)化數(shù)據(jù)擬合效果最好的算法之一，本研究主要基于集成學(xué)習(xí)算法建立患者再入ICU的風(fēng)險(xiǎn)預(yù)測(cè)模型，對(duì)比了多種模型的預(yù)測(cè)效果，與生物醫(yī)學(xué)領(lǐng)域運(yùn)用廣泛的Logistic回歸相比，集成學(xué)習(xí)模型具有更好的預(yù)測(cè)性能。與已報(bào)道的再入ICU風(fēng)險(xiǎn)預(yù)測(cè)模型相比，本研究中預(yù)測(cè)模型的區(qū)分度更高，能夠更好地預(yù)測(cè)患者再入ICU風(fēng)險(xiǎn)。早期識(shí)別高風(fēng)險(xiǎn)的患者，有助于臨床醫(yī)生進(jìn)行更好的醫(yī)療決策。

本研究采用了兩種數(shù)據(jù)平衡算法進(jìn)行數(shù)據(jù)預(yù)處理，與隨機(jī)下采樣相比，NearMiss方法較好地提升了模型的性能。隨機(jī)下采樣在處理樣本的過程中，丟失了大量多數(shù)類樣本的信息，存在樣本代表性不足的問題。NearMiss方法通過K近鄰算法，選擇了離少數(shù)類樣本距離最近的多數(shù)類樣本，較好地保留了原始樣本的決策邊界[20]，因此比隨機(jī)下采樣的樣本代表性更好，對(duì)模型的提升更為顯著。

醫(yī)學(xué)領(lǐng)域預(yù)測(cè)患者再入ICU的研究中，一般采用ICU中常用的疾病嚴(yán)重程度評(píng)分(如APACHE評(píng)分和SWIFT評(píng)分)來評(píng)估患者再入ICU的風(fēng)險(xiǎn)[7,14]。APACHE的評(píng)分項(xiàng)目中包含了生命體征和實(shí)驗(yàn)室檢查等生理指標(biāo)，年齡、入院類型等個(gè)體特征，GCS評(píng)分，肝臟、心血管、肺部疾病等合并癥；SWIFT評(píng)分包括患者入院類型，ICU住院時(shí)長，還有部分生理指標(biāo)(PaCO2和FiO2)。本研究納入的變量同時(shí)重疊了APACHE評(píng)分和SWIFT評(píng)分中的大部分指標(biāo)，盡可能全面地反映患者疾病的嚴(yán)重程度。GBDT的再入ICU風(fēng)險(xiǎn)預(yù)測(cè)模型中，重要性排序靠前的變量包括了血小板、血糖、尿量、血壓、心率和血肌酐，實(shí)驗(yàn)室檢查和生命體征的相關(guān)變量排序靠前。Fialho等[8]基于MIMIC-Ⅱ數(shù)據(jù)中的生理學(xué)指標(biāo)預(yù)測(cè)患者再入ICU風(fēng)險(xiǎn)，選出了最具有預(yù)測(cè)作用的6個(gè)變量，分別為心率、體溫、血小板、血壓、氧分壓和乳酸。患者在ICU出院前24 h的血小板、血壓和心率在不同研究中都具有較強(qiáng)的預(yù)測(cè)作用，表明在臨床工作中可以對(duì)ICU患者的這些指標(biāo)進(jìn)行常規(guī)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)并干預(yù)指標(biāo)表現(xiàn)較差的患者。Fialho等[8]的預(yù)測(cè)模型包含的變量只有實(shí)驗(yàn)室檢查和生命體征指標(biāo)，本研究納入了更為豐富的預(yù)測(cè)變量，涵蓋了人口統(tǒng)計(jì)學(xué)指標(biāo)、合并癥、GCS評(píng)分、實(shí)驗(yàn)室檢查和生命體征等多個(gè)維度的信息，更能全面反映患者疾病的狀況，且MIMIC-Ⅲ數(shù)據(jù)庫記錄有橫跨10年的患者樣本，相對(duì)而言提升了本文模型的代表性。

本研究也存在一定的不足之處，集成學(xué)習(xí)模型雖然預(yù)測(cè)效果更好，但對(duì)變量特征的解釋性不強(qiáng)，Logistic回歸盡管有較好的可解釋性，然而模型性能表現(xiàn)不佳。未來研究應(yīng)注重于開發(fā)預(yù)測(cè)能力高、可解釋性好的模型，在提供臨床決策支持方面更易于醫(yī)生理解和接受。

總體而言，基于集成學(xué)習(xí)算法的再入ICU風(fēng)險(xiǎn)預(yù)測(cè)模型能夠較好地輔助醫(yī)生識(shí)別再入ICU風(fēng)險(xiǎn)高的患者，對(duì)這部分患者采取干預(yù)措施，可以預(yù)防可能發(fā)生的再入ICU，提高ICU救治的醫(yī)療質(zhì)量，改善患者的預(yù)后，同時(shí)也節(jié)省了大量的醫(yī)保費(fèi)用。