中国科研团队惊艳柳叶刀子刊！11种机器学习+中国儿童队列+预测模型，苏州大学李艳红团队遥遥领先！

小伙伴们又见面啦，今天咱们聊聊生信界的“网红”——机器学习！临床预后模型构建相信是每个搞生信的小伙伴再熟悉不过的了，而机器学习对于预后模型的构建至关重要。不仅仅是预后模型，在其他类的研究中机器学习也是举足轻重的。

今天给大家带来一篇苏州大学李艳红教授团队发表在15+柳叶刀子刊的文章Identification and validation of an explainable prediction model of acute kidney injury with prognostic implications in critically ill children: a prospective multicenter cohort study，该研究开发了11种不同的机器学习模型来预测儿童急性肾损伤（AKI），并进行了内部和外部验证。在所有ML模型中，RF模型在区分能力上表现最佳，AUC值达到0.940。而且研究将最终的预测模型转化为一个方便的在线工具，便于临床设置中使用。“机器学习”现在已经让临床预后模型变成了“精准预测的神器”。下面跟小云一起看看这篇文章吧（对机器学习感兴趣，但是缺乏技术和思路的宝子，可以来找小云哟！)

定制生信分析

云服务器租赁

(加微信备注99领取试用)

题目：危重病儿童急性肾损伤的可解释预测模型的确定和验证：一项多中心队列研究

杂志：EClinicalMedicine

IF：15.1

发表时间：2024.1 

关注公众号，后台发送“123”可以直接获取原文PDF，文献编号：240518

研究背景

急性肾损伤(Acute kidney injury, AKI)是危重患儿常见且严重的器官功能障碍。早期识别和预测AKI具有重要意义。然而，目前的AKI标准敏感性和特异性不足，且AKI的异质性限制了AKI生物标志物的临床价值。本研究旨在基于机器学习(ML)方法建立可解释的AKI预测模型并进行验证，评估其对儿科重症监护病房(PICU)患儿AKI预后的预测价值。

研究思路

主要结果

模型构建以及预测结果比较

在儿童重症监护病房（PICU）入住后的第一个24小时内收集的数据被用来生成11个机器学习（ML）模型，以预测在PICU停留期间发展为急性肾损伤（AKI）的情况。在11个模型中，随机森林（RF）模型（AUC = 0.940）对AKI的预测效果最好，其次是LightGBM模型（AUC = 0.936）和GBM模型（AUC = 0.922）（图2A）。在根据特征重要性排名减少特征数量的过程中，这些模型的AUC值变化表明，RF模型在这些模型中保持了几乎最佳的预测能力，如图2B所示。因此，可以观察到，在上述五个模型中，RF模型在AKI预测方面表现最佳。RF模型在不同数量特征下的性能表现在图2C中展示。

模型解释

作者利用SHAP方法通过计算各变量对预测的贡献来解释最终模型的输出结果。这种可解释的方法提供了两种类型的解释:特征层面的模型全局解释和个体层面的局部解释。全局解释描述了模型的整体功能。如SHAP汇总图(图3A和图B)所示，使用平均SHAP值来评估特征对模型的贡献，并以降序显示。此外，SHAP依赖图有助于理解单个特征如何影响预测模型的输出。这8个特征的真实值与SHAP值的对比如图3C所示，SHAP值大于0对应模型中的阳性类别预测，即较高的AKI风险。    

此外，局部解释分析了如何结合个体化的输入数据，对特定的个体做出一定的预测。图4A-C显示患儿在PICU期间未发生AKI。根据预测模型，图4A表示该患儿进入“AKI”类别的概率为5.6%，图4B表示该患儿进入“非AKI”类别的概率为94.4%。瀑布图中还显示了各特征的实际测量值。观察到，eGFR、PRISMⅲ评分、BUN、UO、MAP_min、APTT和体重的值推动了“非AKI”分级的决策，而TBil没有推动。如果eGFR等大多数指标的实际值正常，则发生AKI的风险较低。而TBil实际值超出正常范围可能会增加患儿发生AKI的风险，尽管总体预测将该患儿推入”非AKI “级别。

图4D-F中，在PICU住院期间发生AKI的患儿中也观察到类似现象。将决策推向“AKI”类别的特征及其实际测量值如图4D和E所示。该病例的决策倾向于“AKI”的概率为92.7%，倾向于“非AKI”的概率为7.3%。此外，内部验证队列中儿童的解读力图见图4G。

临床应用

最终的预测模型被实现到web应用程序中，以促进其在临床场景中的效用，如图5所示。当输入模型所需的8个特征的实际值时，该应用程序将自动预测每个儿童发生AKI的风险。此外，还将显示每个患儿的力图，以显示有助于做出AKI决策的特征:右边的蓝色特征是将预测推向“非AKI”的特征，左边的红色特征是将预测推向“AKI”的特征。这个web应用程序可以通过https://prediction-model-for-aki.streamlit.app在线访问。

预后影响

为了进一步研究该可解释模型识别出的AKI对预后的影响，作者将最终模型与KDIGO标准相结合，将患儿分为亚组:亚组1 [AKI(−)/预测模型(−)]、亚组2 [AKI(−)/预测模型(+)]、亚组3 [AKI(+)/预测模型(−)]、亚组4 [AKI(+)/预测模型(+)]，如图6所示。

亚组2和亚组4的儿童死亡率分别显著高于亚组1。同时，与亚组1相比，亚组2患儿PRISM III评分的疾病严重程度更高，更容易并发MODS、休克/DIC和需要机械通气。亚组4患儿的疾病严重程度评分高于亚组3患儿，更容易发生休克/DIC（图6B-C）

各亚组间临床变量分布的广泛差异见图6C。反映心血管、肝、肾功能、凝血和炎症反应的一些变量在亚组2中比亚组1更差。在亚组3和亚组4的儿童中观察到类似的差异。

文章小结

研究不仅开发了单一的预测模型，而是比较了11种不同的ML模型，以确定最佳的AKI预测模型。而且，将最终的预测模型转化为一个在线应用程序，使得临床医生能够方便地使用该工具进行AKI风险评估。通过全局和局部解释，SHAP方法提供了模型特征贡献的详细视图，增强了模型的透明度和可信度。这套分析你学会了吗？不会又想学习的可以直接联系小云哦~而且小云这里还有好用的服务器，可以助您事半功倍！有意愿试用咱们生信服务器的同学欢迎扫码联系！

定制生信分析

云服务器租赁

热点推荐

孟德尔随机化

临床公共数据分析

单细胞测序

肿瘤免疫与微环境

机器学习

单基因分析

生信云服务器

代码合集（点击查看）

培训班系列（点击查看）

原文始发于微信公众号（云生信学生物信息学）：中国科研团队惊艳柳叶刀子刊！11种机器学习+中国儿童队列+预测模型，苏州大学李艳红团队遥遥领先！