 |
编辑推荐：
本研究针对HIV感染者(PLWHs)因合并症导致ICU入院风险升高的问题，开发了6种机器学习模型（LOG/RF/KNN/SVM/ANN/XGB），通过1530例患者数据验证，发现人工神经网络(ANN)模型预测效能最优（ROC-AUC=0.961），并识别出呼吸衰竭等11个关键风险因子，为临床早期干预提供智能化决策支持。
随着抗逆转录病毒治疗(ART)的普及，HIV感染已从致死性疾病转变为慢性病，但患者仍面临因合并症导致的重症监护病房(ICU)高入院风险。当前临床依赖SOFA、APACHE-II等传统评分系统，存在忽略HIV特异性指标（如CD4+细胞计数、病毒载量）和地域数据偏差等问题。北京地坛医院的研究团队通过机器学习技术，首次构建了中国HIV人群的ICU风险预测模型，为精准医疗提供新范式。
研究团队采用回顾性队列设计，纳入2009-2020年间1530例HIV住院患者（含199例ICU病例），通过LASSO回归筛选出11个关键特征。采用多重插补法(MICE)处理缺失数据后，构建6种机器学习模型。结果显示，人工神经网络(ANN)在测试集中表现最优（Brier评分=0.034，ROC曲线下面积=0.961），显著优于传统逻辑回归模型。研究还创新性地应用SHAP可解释性分析，量化了各特征对预测结果的贡献度。
主要技术方法
-
数据采集：从电子病历提取人口统计学、基线CD4+细胞计数、病毒载量及合并症诊断数据
-
特征选择：采用LASSO回归从27个候选变量中筛选11个预测因子
-
模型构建：6种算法（LOG/RF/KNN/SVM/ANN/XGB）的10折交叉验证
-
性能评估：Brier评分、ROC-AUC和PR-AUC三重指标验证
-
可解释性分析：SHAP值量化特征重要性
研究结果
LASSO特征筛选
通过正则化路径分析确定最优λ值，筛选出呼吸衰竭、呼吸系统多发性机会性感染等11个核心预测因子（图2）。
模型性能比较
ANN模型展现出最佳判别力（ROC-AUC=0.961）和校准度（Brier=0.034），其预测效能较传统SOFA评分提升约40%。各模型PR曲线显示，ANN在正例稀缺场景下仍保持0.895的高精度（表1，图3）。
特征重要性解析
SHAP分析揭示呼吸衰竭对ICU入院的边际贡献最大（SHAP值=1.2），其次是呼吸系统多发性感染（0.8）和艾滋病相关肿瘤（0.7）。值得注意的是，基线CD4+细胞计数<50个/μL的负向影响显著高于病毒载量>105拷贝/mL（图4）。
结论与意义
该研究首次证实机器学习可有效预测中国HIV患者的ICU入院风险，ANN模型较传统方法具有三大优势：
-
整合HIV特异性指标（如CD4+细胞计数）与合并症数据，预测准确率提升至96.1%
-
SHAP可解释性分析揭示呼吸衰竭为最关键预警信号，指导临床优先干预
-
为资源有限地区提供低成本筛查工具，预计可减少30%的ICU延迟入院
研究成果发表于《Virology Journal》，为HIV重症管理提供了从"经验医学"到"数据驱动"的范式转变。未来需通过多中心研究验证模型泛化能力，并开发嵌入式临床决策支持系统。
转载请注明：可思数据 » 基于机器学习的HIV感染者重症监护病房入院风险预测模型构建与验证
免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com
