可解释分层老年MODS早期死亡风险评估模型、装置及其建立方法与流程

技术特征：
1.一种可解释分层老年mods早期死亡风险评估模型，其包括评估模块；所述评估模块基于融合了shap方法的xgboost模型，所述评估模块包括多个特征；所述评估模块分为针对年龄大于等于65岁但小于80岁的mods患者的低龄老年评估子模块和针对年龄大于等于80岁的mods患者的高龄老年评估子模块；对于低龄老年评估子模块，所述多个特征中按照其重要性由高到低的前20个特征为：gcs、查尔森合并症指数、是否进行机械通气、呼吸频率、尿素氮、休克指数、心率、bmi、体温最低值、一天内的总尿量、体温最高值、年龄、使用去甲肾上腺素的速率、血氧饱和度、血钾、血糖、红细胞压积比、淋巴细胞、二氧化碳分压和肌酐；对于高龄老年评估子模块，所述多个特征中按照其重要性由高到低的前20个特征为：是否进行机械通气、gcs、呼吸频率、查尔森合并症指数、血氧饱和度、心率、体温最低值、休克指数、一天内的总尿量、体温最高值、肌酐、谷草转氨酶、二氧化碳分压、code status、白蛋白、氧分压、bmi、乳酸、使用去甲肾上腺素的速率和淋巴细胞；所述评估模块基于对应于所述多个特征中的至少一些特征的输入特征进行死亡风险评估；且所述评估模块对所述输入特征对评估结果的重要性进行排名并计算出每个所述输入特征对评估结果的贡献作为风险因素贡献程度。2.根据权利要求1所述的可解释分层老年mods早期死亡风险评估模型，其特征在于：所述多个特征来自于6类数据；该6类数据分别为：个人信息，其包括：年龄、性别、bmi指数；虚弱和神经，其包括：gcs、查尔森合并症指数、code status；生命体征，其包括：心率、呼吸速率、平均动脉压、收缩压、舒张压、中心静脉压、体温、血氧饱和度、休克指数；液体出量，其包括：尿量；实验室检查，其包括：氧分压、吸入氧浓度、二氧化碳分压、氧合指数、白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸转氨酶、碱过量、凝血酶原时间、部分凝血活酶时间、碳酸氢盐、胆红素、脑钠肽、血尿素氮、肌酐、氯化物、纤维蛋白原、葡萄糖、血细胞比容、血红蛋白、国际标准化比率、乳酸、淋巴细胞、镁离子、中性粒细胞、血小板、钾离子、ph、钠离子、肌钙蛋白和白细胞；治疗，其包括：是否进行机械通气、是否进行连续性肾脏替代治疗、去甲肾上腺素使用速率、是否使用多巴酚丁胺、是否使用多巴胺、是否使用肾上腺素。3.根据权利要求2所述的可解释分层老年mods早期死亡风险评估模型，其特征在于：对于低龄老年评估子模块，所述输入特征为其多个特征中按照其重要性由高到低的前10、15、20或79个特征；对于高龄老年评估子模块，所述输入特征为其多个特征中按照其重要性由高到低的前10、15、20或79个特征。4.根据权利要求1所述的可解释分层老年mods早期死亡风险评估模型，其特征在于：包括数据处理模块；数据处理模块自所述老年患者在icu中第一天的数据中经过处理获取输入特征，以输入所述评估模块。5.一种可解释分层老年mods早期死亡风险评估装置，其包括计算单元，所述计算单元
用于执行权利要求1-4中任一项所述的可解释分层老年mods早期死亡风险评估模型；所述模型采用其所融合的shap方法获得单独患者的风险因素贡献程度评估；其中，采用第一颜色代表该因素当前处于异常状态对患者的结局产生危害影响，采用第二颜色代表该因素当前处于正常状态对患者的结局不产生危害影响，且shap值越大对结局的影响程度越大。6.一种建立可解释分层老年mods早期死亡风险评估模型的方法，其包括：数据集构建、数据处理、模型构建与评估；在数据集构建中，根据序贯器官衰竭评分获取多个重症监护数据集中的低龄和高龄老年多器官功能衰竭患者的研究数据集；确定研究变量，所述研究变量包括个人信息、虚弱与神经、生命体征、尿量、实验室检查和治疗；在数据处理中，将来自所述多个数据集的数据进行清洗、整合、采样和插值，并将数据进一步整理获得多个统计特征；在模型构建与评估中，基于所述多中心数据集进行模型的训练、参数调优和内部验证后，采用7个评估指标和1个功能指标对模型性能进行评估，采用内部验证、外部验证、时序验证和亚组分析的方式对模型的性能进行评估。7.根据权利要求6所述的建立可解释分层老年mods早期死亡风险评估模型的方法，其特征在于：在模型构建与评估中，所述评估模型针对年龄大于等于65岁但小于80岁的mods患者和年龄大于等于80岁的mods患者分别进行训练、评估和调优。8.根据权利要求6所述的建立可解释分层老年mods早期死亡风险评估模型的方法，其特征在于：所述多个重症监护数据集包括：mimic-iii、eicu-crd、amsterdamumcdb和mimic-iv；研究人群基于sofa评分和制定的纳入流程进行患者的筛选，分别获得年龄大于等于65岁但小于80岁的mods患者和年龄大于等于80岁的mods患者的数据集。9.根据权利要求8所述的建立可解释分层老年mods早期死亡风险评估模型的方法，其特征在于：在训练模型时，将来自mimic-iii和eicu-crd的数据进行融合作为一个大样本、多中心的训练集，其中80％的患者数据用于模型的训练和采用交叉验证调节预测模型的超参数，剩余20％的患者数据用于模型性能的内部验证；在模型性能评估时，所述7个评估指标为：auroc、特异性、敏感性、准确性、f1值、精准性、auprc；所述1个功能指标为可解释性功能指标。10.根据权利要求8所述的建立可解释分层老年mods早期死亡风险评估模型的方法，其特征在于：内部验证采用与训练集一致的数据集20％来自mimic-iii和eicu-crd的患者数据进行评估；外部验证采用与训练数据不一致分布的amsterdamumcdb的全部患者数据进行评估；时序验证采用比训练集时间跨度更新的mimic-iv的全部患者数据进行评估；亚组分析对验证的群体分为白种人、非洲和西班牙裔分别进行验证；以综合评估是否有偏倚、模型的普适性和鲁棒性。

技术总结
本申请公开一种可解释分层老年MODS早期死亡风险评估模型、装置及其建立方法，评估模块基于融合了SHAP方法的XGBoost模型，所述评估模块分为针对年龄大于等于65岁但小于80岁的MODS患者的低龄老年评估子模块和针对年龄大于等于80岁的MODS患者的高龄老年评估子模块；评估模块基于对应于多个特征中的至少一些特征的输入特征进行死亡风险评估；且评估模块对输入特征对评估结果的重要性进行排名并计算出每个输入特征对评估结果的贡献作为风险因素贡献程度。本申请的可解释分层老年MODS早期死亡风险评估模型、装置，有助于医生获得对患者的疾病紧急和危险程度更为准确的评估，适用于更多不同地区、中心的医疗机构使用。中心的医疗机构使用。中心的医疗机构使用。


技术研发人员：刘晓莉 张政波 周飞虎 虎磐 毛智 刘超
受保护的技术使用者：中国人民解放军总医院
技术研发日：2021.11.08
技术公布日：2022/2/8