新发房颤(NOAF)是心脏手术后患者最常见的并发症，总体发病率为31%至74%。先前的研究发现，NOAF的发生可能会增加患者的中风、心力衰竭（HF）以及死亡风险。
近年来，机器学习（ML）在医学领域的应用越来越广泛，尤其在构建患者的生存和预后预测模型方面取得了不少成果。因此，本研究同样使用ML方法构建危重患者NOAF风险人群识别模型，并利用SHAP法对模型进行可视化解读。
2024年10月29日，中国学者用MIMIC-IV、MIMIC-III两个数据集，在期刊《Critical Care》（医学一区top，IF=8.8）发表题为：“Interpretable machine learning model for new-onset atrial fibrillation prediction in critically ill patients: a multi-center study”的研究论文，旨在使用机器学习（ML）创建并验证危重患者的NOAF预测模型，同时使用SHAP法对模型结果进行解释。
（在公共数据库与孟德尔随机化微信公众号后台回复“ 原文”即可获得文献PDF等资料。就在本周末，我们的基于R语言构建机器学习课程开课啦！如感兴趣请联系郑老师团队，微信号：aq566665）
在该项研究中，研究团队使用MIMIC数据库的两个非重叠数据集：
MIMIC-IV用于构建模型，经过纳排，最终纳入16,528名年龄≥18岁，入住ICU超过2天、未接受心脏手术切无AF病史的参与者（对于多次入住ICU的患者，仅纳入患者首次入住ICU时的入住记录）；
MIMIC-III的子集用作外部验证，最终纳入6,037名符合条件的参与者。
图1 研究设计
√数据收集
研究团队使用PostgreSQL中的结构化查询语言（SQL），从两个数据库中提取前24小时内入住ICU的患者的数据，包括人口学信息、合并症、实验室指标、生命体征及治疗措施等。由于提取的变量较多，本文就不一一展示了。
除变量经皮动脉血氧饱和度（SpO 2）外，其余变量都取第一天的最大值和最小值进行多次测量。
√数据处理
为减少缺失数据对模型构建的影响，使用KNNImputer（KNN）方法插补缺失小于20%的数据，并丢弃缺失大于20%的数据。
由于因变量中的类别不平衡，采用欠采样的方式对数据进行重采样，使数据达到平衡。
主要结局：患者在ICU入院后第一天发生NOAF。
Lasso法筛选特征
在特征较多的情况下，研究者采用lasso方法进行特征筛选。
引入L1正则化，通过压缩系数、筛选贡献较大的特征、剔除冗余特征等方法进行特征选择和降维。
最终，纳入了与NOAF密切相关的23个变量（包括入院年龄、种族、体重、尿量、WBC_max（白色细胞）、BUN_min（血尿素氮）、钾_min、HR_min（心率）、HR_max、SBP_min（收缩压）、DBP_max（舒张压）、MBP_min、RR_min、temperature_min、temperature_max、SpO2_min、慢性肝病、HFrEF、HFpEF、脓毒症、机械通气、CRRT、血管加压药）。
图2 基于Lasso回归的变量筛选
（A）变系数的变化特征；（B） 用交叉验证对Lasso回归模型中参数λ最优值进行选择
模型性能比较
使用8种机器学习（ML）法构建预测模型（包括极限梯度提升（XGBoost）、支持向量机（SVM）、自适应提升（Adaboost）、多层感知器（MLP）、神经网络（NN）、朴素贝叶斯（NB）、逻辑回归（LR）和梯度提升机（GBM））。
采用10重交叉验证法保证模型的稳定性；
网格调整参数为每种算法选择最佳调整参数。
使用多种指标评估模型性能，包括ROC曲线、AUC值、敏感性、特异性、F1分数、准确性等，并绘制校准曲线和决策曲线（DCA）分析模型的临床适用性。
在参数调整过程中，选取AUC值最大的模型为最佳预测模型。
研究结果表明，XGBoost表现最好，在验证中达到0.891（0.873-0.888）的AUC，在外部验证中达到0.769（0.756-0.782）。
图3 机器学习模型的ROC曲线
SHAP法进行可解释性分析
最后通过SHAP方法分析XGBoost模型的特征贡献，以SHAP力图和群体图形式可视化模型的可解释性。
结果表明，关键预测因素包括年龄、机械通气、尿量、脓毒症、BUN、SpO2、CRRT和体重。
图4 使用SHAP可视化解释机器学习模型
综上所述，研究团队使用8种ML算法通过筛选ICU入院前24小时内的23个临床变量来构建预测模型。
结果表明，XGBoost算法表现出强大的性能，具有鉴别力和校准能力，并在临床实践中显示出巨大的净效益。外部验证队列的结果进一步证实了模型的稳定性和准确性。为了更深入地了解模型，还用SHAP方法进行可视化，得出关键预测指标。
