基于可解釋貝葉斯加權(quán)模型的ICU急性腎損傷患者死亡風(fēng)險預(yù)測

徐乃岳 凌晨 劉坤

摘?要：

基于貝葉斯網(wǎng)絡(luò)構(gòu)建貝葉斯加權(quán)模型，進行重癥監(jiān)護病房（Intensive?Care?Unit，ICU）急性腎損傷患者死亡風(fēng)險預(yù)測。以MIMIC＼|Ⅲ（Medical?Information?Mark?for?Intensive?Care?Ⅲ）數(shù)據(jù)庫中急性腎損傷患者為研究對象，建立基礎(chǔ)貝葉斯分類器，采用AUC（Area?Under?Curve）和Accuracy進行混合加權(quán)計算的集成策略構(gòu)建貝葉斯加權(quán)模型。實驗結(jié)果表明，貝葉斯加權(quán)模型的AUC值為80.8%、Accuracy值為73.2%、F1＼|score值為72.4%，預(yù)測效果優(yōu)于單獨的貝葉斯網(wǎng)絡(luò)模型、邏輯回歸、支持向量機和隨機森林。貝葉斯加權(quán)模型具有可解釋的概率推理流程，對ICU急性腎損傷患者的死亡風(fēng)險預(yù)測有一定的參考價值。

關(guān)鍵詞：貝葉斯網(wǎng)絡(luò)；急性腎損傷；死亡風(fēng)險；模型解釋；集成模型

中圖分類號：TP391??文獻標志碼：A

0?引言（Introduction）

急性腎損傷（Acute?Kidney?Injury，?AKI）是一種由多種病因引起的病癥，其特征表現(xiàn)為血清肌酐濃度升高或者尿量減少［1＼|3］。近年來，AKI的發(fā)病率以驚人的速度增長，因患有AKI而致死的患者人數(shù)一直居高不下［4＼|5］。AKI患者的住院死亡率為20%～25%，在ICU中可能高達50%［6＼|9］。世界每年死于AKI的患者多達百萬人以上，AKI不僅是一個醫(yī)療問題，更成為一個重要的公共衛(wèi)生問題［10＼|11］。

隨著電子健康記錄（Electronic?Health?Records，?HER）可用性的完善，開發(fā)AKI風(fēng)險評估預(yù)測模型成為一種應(yīng)對AKI高風(fēng)險的可行方式［12＼|14］。性能良好且可靠的風(fēng)險預(yù)測模型應(yīng)能夠及早識別高危患者，輔助臨床醫(yī)生進行進一步的診斷并提示預(yù)防和治療措施。

1?相關(guān)工作（Related?work）

隨著機器學(xué)習(xí)技術(shù)的發(fā)展，越來越多的研究者將機器學(xué)習(xí)技術(shù)用于患者的風(fēng)險預(yù)測。相較于傳統(tǒng)的統(tǒng)計學(xué)方法和普遍的邏輯回歸算法，使用機器學(xué)習(xí)方法可以最大限度地利用HER進行預(yù)測，能夠識別對于預(yù)測貢獻較為顯著的信號提高算法模型性能［15＼|17］。醫(yī)學(xué)人員可以使用機器學(xué)習(xí)技術(shù)快速評估大量復(fù)雜的數(shù)據(jù)，用于預(yù)測臨床風(fēng)險。

可靠的AKI患者風(fēng)險評分系統(tǒng)對于預(yù)測AKI患者的預(yù)后，以及為臨床研究提供患者嚴重程度分層非常重要。然而，對于危重癥患者的一般嚴重程度評分方法，例如急性生理學(xué)和慢性健康評估（APACHE）［18］、簡化急性生理學(xué)評分（SAPS）［19］、序貫器官衰竭評估（SOFA）［20］等，在預(yù)測AKI患者死亡率的準確性方面效果不佳［21＼|23］。隨著人工智能（Artificial?Intelligence，?AI）技術(shù)的發(fā)展，AKI預(yù)測的新時代已經(jīng)到來［24＼|25］。機器學(xué)習(xí)技術(shù)在處理大數(shù)據(jù)集時有著顯著優(yōu)勢，在醫(yī)療領(lǐng)域的應(yīng)用正在迅速擴大，例如已在臨床輔助診斷中成功應(yīng)用［26＼|27］。醫(yī)學(xué)領(lǐng)域常用的線性回歸算法雖然模型本身具備較高的可解釋性，但是預(yù)測性能往往不夠理想［28］。貝葉斯分類器屬于可解釋模型的一種，在具有一定可解釋性的同時，還有著較好的預(yù)測性能，已在醫(yī)學(xué)環(huán)境中得到使用［29］。

危重患者的護理負擔(dān)是巨大的，重癥監(jiān)護的基礎(chǔ)是使用一種科學(xué)的風(fēng)險分層方法，按照一定標準對患者進行分類，優(yōu)化個人護理方案。傳統(tǒng)方法是醫(yī)生根據(jù)自己的臨床經(jīng)驗使用基于規(guī)則的一般嚴重程度評分進行預(yù)測，效果較差，相比之下，使用機器學(xué)習(xí)方法可以幫助醫(yī)生得到更好的預(yù)測效果。LIN等［30］通過19?044例AKI患者的數(shù)據(jù)構(gòu)建了一種隨機森林預(yù)測死亡率模型，可預(yù)測AKI患者的死亡率，該模型可避免高危患者AKI治療的延誤。KOYNER等［31］開發(fā)了一種梯度增強模型，該模型可以預(yù)測急診科、病房和ICU的AKI，并允許對高風(fēng)險患者進行早期干預(yù)。LIN等［32］使用SVM（Support?Vector?Machine）算法構(gòu)建ICU急性腎損傷患者的死亡風(fēng)險預(yù)測模型，該模型的性能比SAPSⅡ（Simplified?Acute?Physiology?ScoreⅡ）方法的性能好，并且當患者的死亡風(fēng)險不確定時，SVM的性能優(yōu)勢更顯著。在當前臨床醫(yī)療信息化程度很高的背景下，利用機器學(xué)習(xí)算法能夠有效地幫助臨床醫(yī)生提高診療質(zhì)量，具有較高的臨床應(yīng)用價值。然而，目前專注于使用機器學(xué)習(xí)模型預(yù)測ICU中AKI患者死亡風(fēng)險的研究并不多。

本研究借鑒集成學(xué)習(xí)方法，基于貝葉斯分類器構(gòu)建集成模型，建立4個貝葉斯分類模型作為基礎(chǔ)模型，以AUC與Accuracy的混合計算作為權(quán)重，通過對預(yù)測概率進行加權(quán)計算建立貝葉斯加權(quán)模型。本研究利用MIMIC＼|Ⅲ中AKI患者的醫(yī)學(xué)數(shù)據(jù)建立死亡風(fēng)險預(yù)測模型，目的是輔助ICU的醫(yī)生對AKI患者進行早期的風(fēng)險預(yù)測，區(qū)分高危患者，以更好地分配醫(yī)療資源［33］。

2?數(shù)據(jù)與方法（Data?and?methods）

2.1?數(shù)據(jù)

從國際疾病分類（ICD）中查找AKI的疾病代碼，提取MIMIC＼|Ⅲ數(shù)據(jù)庫中AKI患者的生理信息，篩選信息并保留只進入一次ICU的患者數(shù)據(jù)?；诨颊叩谝淮稳朐旱男畔⑦M行研究，挑選出進入ICU后24?h內(nèi)的生理數(shù)據(jù)并對篩選過程中產(chǎn)生的數(shù)據(jù)表格進行聚合處理。數(shù)據(jù)獲取及預(yù)處理如圖1所示。

數(shù)據(jù)庫中篩選的實驗數(shù)據(jù)存在部分缺失值，根據(jù)患者信息提供的各項生理數(shù)據(jù)進行篩選，去除缺失率在30%以上的數(shù)據(jù)，最后得到15個主要的生物標志物和3?559例急性腎損傷患者，其中生存患者有3?176例、死亡患者有383例，數(shù)據(jù)類別不平衡現(xiàn)象較為突出。

表1為變量信息及級別，從皮爾遜相關(guān)系數(shù)中可以看出，大多數(shù)變量與患者結(jié)局顯著相關(guān)，但是不具備明顯線性關(guān)系，普通的線性分析方法難以發(fā)揮較好的預(yù)測效果。為了解決AKI患者數(shù)據(jù)不平衡的問題，使用Borderline?SMOTE算法進行數(shù)據(jù)均衡化處理。該算法可以對類別邊界上容易分類錯誤的數(shù)據(jù)進行重采樣，生成對分類預(yù)測更有價值的數(shù)據(jù)，以達到平衡不同類別的數(shù)據(jù)的目的。

2.2?方法

貝葉斯分類器能夠捕捉到變量之間的相互關(guān)系，尤其是在面臨部分數(shù)據(jù)缺失情況下，貝葉斯分類器仍然可以根據(jù)變量間的交互關(guān)系進行后續(xù)預(yù)測。得益于自身固有的統(tǒng)計學(xué)特點，貝葉斯分類器本身就是一種可解釋的模型，利用貝葉斯分類器構(gòu)建模型進行分類預(yù)測能提升臨床醫(yī)學(xué)環(huán)境下醫(yī)護人員對模型的信賴程度。本研究分別構(gòu)建了4種不同的貝葉斯分類器模型作為基礎(chǔ)模型并進行加權(quán)集成，最終得到貝葉斯加權(quán)模型，用于預(yù)測患者的死亡風(fēng)險。圖2中展示了實驗流程，從MIMIC＼|Ⅲ數(shù)據(jù)庫中提取患者的醫(yī)療信息，首先需要對其進行數(shù)據(jù)插補、數(shù)據(jù)均衡、數(shù)據(jù)離散處理，其次基于多種貝葉斯網(wǎng)絡(luò)算法進行建模預(yù)測，最后對各模型的預(yù)測結(jié)果進行概率加權(quán)處理，得出AKI患者的死亡風(fēng)險概率。

在4個貝葉斯模型的基礎(chǔ)上，分別使用基于AUC加權(quán)、基于Accuracy加權(quán)及AUC與Accuracy混合加權(quán)的集成策略構(gòu)建貝葉斯加權(quán)模型，分別得到了AUC_BE模型、ACC_BE模型和AA_BE模型。通過AUC、Accuracy和F1＼|score?3個指標進行模型評估，從表2中發(fā)現(xiàn)在AA_BE模型的AUC與Accuracy的效果是最優(yōu)的，從集成策略上兼顧了模型的準確率和對樣本類別的區(qū)分能力，證明了由混合加權(quán)方法構(gòu)建的貝葉斯加權(quán)模型的性能比單一加權(quán)方法的性能更好。經(jīng)綜合比較，本研究決定以AUC和Accuracy混合加權(quán)計算的集成策略構(gòu)建貝葉斯加權(quán)模型。

不同于普通的集成策略，本文提出的模型不是基于基礎(chǔ)模型的預(yù)測類別的簡單決策，而是基于各個模型的AUC和Accuracy對預(yù)測概率進行混合加權(quán)計算得出最終概率。加權(quán)策略的公式如下：

其中：i表示第i個模型，n表示共有n個模型，Pi表示第i個模型得出的預(yù)測概率，WmAA（i）表示基于第i個模型的AUC和Accuracy值進行m次混合加權(quán)計算，Pout表示貝葉斯加權(quán)模型的最終預(yù)測概率，VAUC（i）表示第i個模型的AUC值，VAcc（i）表示第i個模型的ACC值，WAA（i）表示第i個模型的AUC值與ACC值的乘積?；诩蓪W(xué)習(xí)的思想，多樣的模型在共同決策的情況下可以有效地降低單一模型的錯誤預(yù)測對結(jié)果的影響，可以取得比任何一個模型都好的預(yù)測結(jié)果且魯棒性更好。

3?結(jié)果（Results）

3.1?模型評估

將貝葉斯加權(quán)模型與四種基礎(chǔ)貝葉斯分類器、邏輯回歸、支持向量機、隨機森林等模型在實驗數(shù)據(jù)上進行了性能對比，應(yīng)用Accuracy、AUC和F1＼|score三個指標展開分析，模型性能評估結(jié)果如表3所示。

使用AUC、Accuracy和F1＼|score三種評價指標對表3中的八種方法進行性能評價，表3中的結(jié)果可以較為清晰地呈現(xiàn)模型效果之間的性能差異。AUC評價指標反映的是模型對任意一例正、負樣本的區(qū)分能力，實驗顯示AA_BE模型的AUC遠高于邏輯回歸、支持向量機和隨機森林模型的AUC，證明對于任意一例正、負樣本，AA_BE模型能獲得更好的區(qū)分效果。在數(shù)據(jù)均衡的情況下，Accuracy評價指標具有較高的參考價值，實驗結(jié)果顯示AA_BE的準確率高于其他分類器算法的準確率，證明AA_BE模型對于整體樣本的判定能力更好，能夠正確區(qū)分出更多的高風(fēng)險患者。F1＼|score評價指標綜合考慮了精確率和召回率的結(jié)果，從兩個方面對模型的預(yù)測性能進行綜合分析，實驗結(jié)果顯示AA_BE模型的性能更好。

3.2?模型可解釋分析

在目前的醫(yī)學(xué)預(yù)測研究中，大多數(shù)研究關(guān)注于提高模型預(yù)測準確率，忽視了模型的可解釋性。在具有高風(fēng)險的醫(yī)學(xué)領(lǐng)域中，模型的可解釋性比預(yù)測準確性更重要，一般的機器學(xué)習(xí)模型往往較為復(fù)雜、內(nèi)部結(jié)構(gòu)不夠透明、預(yù)測結(jié)果難以解釋，而貝葉斯加權(quán)模型的決策原理基于貝葉斯算法，運用概率學(xué)方法推理模型預(yù)測的全過程，同時能清楚地展現(xiàn)變量之間的依賴關(guān)系，具有更好的可解釋能力，更適用于醫(yī)學(xué)場景。

模型可以從兩個方面進行可解釋性分析。

（1）模型的內(nèi)部結(jié)構(gòu)

貝葉斯加權(quán)模型由4個基礎(chǔ)的貝葉斯分類器模型構(gòu)成，每個基礎(chǔ)模型內(nèi)部的網(wǎng)絡(luò)結(jié)構(gòu)都是可見的，能清楚地展現(xiàn)出模型預(yù)測過程中潛在的特征交互關(guān)系，確保模型的透明度。

（2）模型做出預(yù)測的原因

貝葉斯加權(quán)模型的本質(zhì)是一種概率圖模型，支持使用概率推理的方式進行模型預(yù)測推理和診斷推理。當模型做出與事實相反的預(yù)測時，可以從結(jié)果開始進行信息推理，稱為模型的診斷推理，能夠確保模型的可靠性。

在已知模型預(yù)測結(jié)果的情況下推理模型決策的依據(jù)，通過計算模型的最大后驗概率推理出患者特征變量的取值范圍。在醫(yī)學(xué)場景中，當醫(yī)護人員對模型的預(yù)測存在懷疑時，可以將推理值與真實情況進行對比，提升醫(yī)護人員對模型的信賴度。

4?結(jié)論（Conclusion）

為了應(yīng)對AKI患者高死亡風(fēng)險的嚴峻形勢，本研究借鑒集成方法的軟投票方式，利用基礎(chǔ)模型的預(yù)測概率值進行集成計算，從基礎(chǔ)模型預(yù)測的概率入手，通過模型的AUC和Accuracy混合權(quán)重，對基礎(chǔ)模型的預(yù)測概率進行加權(quán)計算，通過概率預(yù)測實現(xiàn)對高危患者的早期篩查。采用AUC、Accuracy和F1＼|score三種指標對不同的模型進行分析，貝葉斯加權(quán)模型表現(xiàn)出比邏輯回歸、支持向量機和隨機森林等模型更為優(yōu)秀的成績；在與四個基本分類器的對比中發(fā)現(xiàn)，基于AUC和Accuracy混合加權(quán)方式集成的貝葉斯加權(quán)模型比單獨的貝葉斯網(wǎng)絡(luò)模型更優(yōu)秀。此外，可以看出基于AUC和Accuracy混合加權(quán)方式建立的模型比獨立加權(quán)方式建立的模型效果更好，隨著基礎(chǔ)模型個數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)樣式的增加，貝葉斯加權(quán)模型的預(yù)測效果將會更加準確和穩(wěn)健。模型的準確率比一般機器學(xué)習(xí)模型的準確率高，具有良好的可解釋能力，比神經(jīng)網(wǎng)絡(luò)模型和集成復(fù)雜的機器學(xué)習(xí)模型更加透明，在醫(yī)學(xué)臨床場景中的使用更值得信賴，可以為ICU中AKI患者的風(fēng)險預(yù)測研究提供一種新的策略。

在未來的研究工作中，將著眼于使用因果學(xué)習(xí)方法探究影響ICU急性腎損傷患者死亡率的真正風(fēng)險因素，通過對風(fēng)險因素進行干預(yù)的方式尋找降低患者最終死亡概率的有效方法。因果是萬物相互制約的根本原因，接下來我們會通過對因果理論的研究，賦予模型更為精準的推理方法，以更有效地助力醫(yī)學(xué)決策。

參考文獻（References）

［1］?THOMAS?M?E，BLAINE?C，DAWNAY?A，et?al.?The?definition?of?acute?kidney?injury?and?its?use?in?practice［J］.?Kidney?international，2015，87（1）：62＼|73.

［2］?KHADZHYNOV?D，SCHMIDT?D，HARDT?J，et?al.?The?incidence?of?acute?kidney?injury?and?associated?hospital?mortality［J］.?Deutsches?arzteblatt?international，2019，116（22）：397＼|404.

［3］?GAMEIRO?J，AGAPITO?FONSECA?J，JORGE?S，et?al.?Acute?kidney?injury?definition?and?diagnosis：a?narrative?review［J］.?Journal?of?clinical?medicine，2018，7（10）：307.

［4］?LEVEY?A?S，JAMES?M?T.?Acute?kidney?injury［J］.?Annals?of?internal?medicine，2017，167（9）：ITC66.

［5］?KASHANI?K，CHEUNGPASITPORN?W，RONCO?C.?Biomarkers?of?acute?kidney?injury：the?pathway?from?discovery?to?clinical?adoption［J］.?Clinical?chemistry?and?laboratory?medicine，2017，55（8）：1074＼|1089.

［6］?HUANG?H?F，LIU?Y，WU?M，et?al.?Development?and?validation?of?a?risk?stratification?model?for?predicting?the?mortality?of?acute?kidney?injury?in?critical?care?patients［J］.?Annals?of?translational?medicine，2021，9（4）：323.

［7］?HANSRIVIJIT?P，QIAN?C?C，BOONPHENG?B，et?al.?Incidence?of?acute?kidney?injury?and?its?association?with?mortality?in?patients?with?COVID＼|19：a?meta＼|analysis［J］.?Journal?of?investigative?medicine：the?official?publication?of?the?american?federation?for?clinical?research，2020，68（7）：1261＼|1270.

［8］?FAUBEL?S，EDELSTEIN?C?L.?Mechanisms?and?mediators?of?lung?injury?after?acute?kidney?injury［J］.?Nature?reviews?nephrology，2016，12（1）：48＼|60.

［9］?NETWORK?V?N?A?R?F?T.?Intensity?of?renal?support?in?critically?ill?patients?with?acute?kidney?injury［J］.?New?England?journal?of?medicine，2008，359（1）：7＼|20.

［10］?HOSTE?E?A?J，KELLUM?J?A，SELBY?N?M，et?al.?Global?epidemiology?and?outcomes?of?acute?kidney?injury［J］.?Nature?reviews?nephrology，2018，14：607＼|625.

［11］WANG?Y，BELLOMO?R.?Cardiac?surgery＼|associated?acute?kidney?injury：risk?factors，pathophysiology?and?treatment［J］.?Nature?reviews?nephrology，2017，13（11）：697＼|711.

［12］?RANK?N，PFAHRINGER?B，KEMPFERT?J，et?al.?Deep＼|learning＼|based?real＼|time?prediction?of?acute?kidney?injury?outperforms?human?predictive?performance［J］.?NPJ?digital?medicine，2020，3：139.

［13］?CALVERT?J，MAO?Q?Q，HOFFMAN?J?L，et?al.?Using?electronic?health?record?collected?clinical?variables?to?predict?medical?intensive?care?unit?mortality［J］.?Annals?of?medicine?and?surgery?（2012），2016，11：52＼|57.

［14］?MARAFINO?B?J，PARK?M，DAVIES?J?M，et?al.?Validation?of?prediction?models?for?critical?care?outcomes?using?natural?language?processing?of?electronic?health?record?data［J］.?JAMA?network?open，2018，1（8）：e185097.

［15］?CHE?Z，PURUSHOTHAM?S，KHEMANI?R，et?al.?Interpretable?deep?models?for?ICU?outcome?prediction［J］.?AMIA?symposium，2016，2016：371＼|380.

［16］?POUCKE?S?V，ZHANG?Z?H，SCHMITZ?M，et?al.?Scalable?predictive?analysis?in?critically?ill?patients?using?a?visual?open?data?analysis?platform［J］.?PloS?one，2016，11（1）：e0145791.

［17］?GURM?H?S，KOOIMAN?J，LALONDE?T，et?al.?A?random?forest?based?risk?model?for?reliable?and?accurate?prediction?of?receipt?of?transfusion?in?patients?undergoing?percutaneous?coronary?intervention［J］.?PLoS?one，2014，9（5）：e96385.

［18］?KNAUS?W?A，WAGNER?D?P，DRAPER?E?A，et?al.?The?APACHE?Ⅲ?prognostic?system.?Risk?prediction?of?hospital?mortality?for?critically?Ⅲ?hospitalized?adults［J］.?Chest，1991，100（6）：1619＼|1636.

［19］?LE?G?J?R，LOIRAT?P，NICOLAS?F，et?al.?Use?of?a?severity?index?in?8?multidisciplinary?resuscitation?centers［J］.?Presse?médicale，1983，12（28）：1757.

［20］?VINCENT?J?L，MORENO?R，TAKALA?J，et?al.?The?SOFA?（Sepsis＼|related?Organ?Failure?Assessment）?score?to?describe?organ?dysfunction/failure［J］.?Intensive?care?medicine，1996，22（7）：707＼|710.

［21］?OHNUMA?T，UCHINO?S.?Prediction?models?and?their?external?validation?studies?for?mortality?of?patients?with?acute?kidney?injury：a?systematic?review［J］.?PLoS?one，2017，12（1）：e0169341.

［22］?JOHNSON?A?E?W，MARK?R?G.?Real＼|time?mortality?prediction?in?the?Intensive?Care?Unit［J］.?AMIA?symposium，2017，2017：994＼|1003.

［23］?KONG?G?L，LIN?K，HU?Y?H.?Using?machine?learning?methods?to?predict?in＼|hospital?mortality?of?sepsis?patients?in?the?ICU［J］.?BMC?medical?informatics?and?decision?making，2020，20（1）：251.

［24］?YAHYA?N，EBERT?M?A，BULSARA?M，et?al.?Statistical＼|learning?strategies?generate?only?modestly?performing?predictive?models?for?urinary?symptoms?following?external?beam?radiotherapy?of?the?prostate：a?comparison?of?conventional?and?machine＼|learning?methods［J］.?Medical?physics，2016，43（5）：2040.

［25］?RAU?C?S，KUO?P?J，CHIEN?P?C，et?al.?Mortality?prediction?in?patients?with?isolated?moderate?and?severe?traumatic?brain?injury?using?machine?learning?models［J］.?PLoS?one，2018，13（11）：e0207192.

［26］?GOLDSTEIN?B?A，NAVAR?A?M，CARTER?R?E.?Moving?beyond?regression?techniques?in?cardiovascular?risk?prediction：applying?machine?learning?to?address?analytic?challenges［J］.?European?heart?journal，2017，38（23）：1805＼|1814.

［27］?NAEMI?A，SCHMIDT?T，MANSOURVAR?M，et?al.?Machine?learning?techniques?for?mortality?prediction?in?emergency?departments：a?systematic?review［J］.?BMJ?open，2021，11（11）：e052663.

［28］?NEMATI?S，HOLDER?A，RAZMI?F，et?al.?An?interpretable?machine?learning?model?for?accurate?prediction?of?sepsis?in?the?ICU［J］.?Critical?care?medicine，2018，46（4）：547＼|553.

［29］?ZHANG?Z，ZHANG?J，WEI?Z，et?al.?Application?of?tabu?search＼|based?Bayesian?networks?in?exploring?related?factors?of?liver?cirrhosis?complicated?with?hepatic?encephalopathy?and?disease?identification［J］.?Scientific?reports，2019，9：6251.

［30］?LIN?K，HU?Y?H，KONG?G?L.?Predicting?in＼|hospital?mortality?of?patients?with?acute?kidney?injury?in?the?ICU?using?random?forest?model［J］.?International?journal?of?medical?informatics，2019，125：55＼|61.

［31］?KOYNER?J?L，CAREY?K?A，EDELSON?D?P，et?al.?The?development?of?a?machine?learning?inpatient?acute?kidney?injury?prediction?model［J］.?Critical?care?medicine，2018，46（7）：1070＼|1077.

［32］?LIN?K，XIE?J?Q，HU?Y?H，et?al.?Application?of?support?vector?machine?in?predicting?in＼|hospital?mortality?risk?of?patients?with?acute?kidney?injury?in?ICU［J］.?Health?sciences，2018，50（2）：239＼|244.

［33］?POWER?G?S，HARRISON?D?A.?Why?try?to?predict?ICU?outcomes？［J］.?Current?opinion?in?critical?care，2014，20（5）：544＼|549.

作者簡介：

徐乃岳（1999＼|），男，碩士生。研究領(lǐng)域：醫(yī)療數(shù)據(jù)分析。

凌?晨（1980＼|），男，博士，講師。研究領(lǐng)域：新媒體大數(shù)據(jù)，電子商務(wù)，智慧醫(yī)療。本文通信作者。

劉?坤（1998＼|），男，碩士生。研究領(lǐng)域：醫(yī)療數(shù)據(jù)分析。