基于机器学习的脓毒症谵妄患者死亡预测模型的构建与评估

来源期刊：广州医药 | 1501-1510 发布时间：2025-11-20 收稿时间：2025/12/25 17:10:58 阅读量：51

作者：: 黄毅文,

胡北,

关键词：: 脓毒症谵妄机器学习死亡; sepsis delirium machine learning mortality

DOI：: 10. 20223 / j. cnki. 1000-8535. 2025. 11 005

收稿时间：: 2025-01-10
修订日期：
接收日期：
引用总数：: 0

目的通过机器学习方法构建脓毒症谵妄患者30 d死亡的预测模型，并识别关键预测因子。方法采用基于医疗信息集成重症监护数据库（Medical Information Mart for Intensive Care IV）的回顾性队列研究方法，boruta筛选重要特征，并通过决策树，K近邻，LightGBM，随机森林，支持向量机，XGBoost构建模型进行分析，通过ROC曲线下面积进行评估，利用F1分数、召回率、精确率、特异度、灵敏度和阳性预测值比较模型表现。结果 XGBoost模型在训练集和验证集中的ROC曲线下面积分别为0.906和0.762，表明该模型具有良好的预测能力，入院年龄、红细胞分布宽度和白细胞计数是最重要的预测因子。结论基于机器学习的脓毒症谵妄患者预后预测模型展现出良好的预测效能，为临床早期干预提供了重要参考依据。

脓毒症是一种人体对感染反应失调引起的器官功能障碍综合征，通常由感染引起，给患者和社会带来了巨大的健康和经济负担^［1］。脓毒症出现谵妄被认为是影响患者预后的重要因素，具有显著的临床意义^［2］。已经有研究表明，脓毒症谵妄的发生不仅影响患者的认知功能，还可能导致更长的ICU住院时间和更高的医疗费用，这进一步突显了对脓毒症患者进行有效管理的必要性^［3］。

尽管已有研究对脓毒症谵妄的影响进行了探讨，但研究使用的为线性回归模型，模型相对落后，传统逻辑回归的缺点在于其只能处理线关系，无法自动提取特征，且在处理复杂、高维或非结构化数据时表现有限。数据库为上一代MIMIC-Ⅲ，病例数较少，只有250例，可能影响研究结果的准确性和可靠性^［4］。新的机器学习算法模型，有助于重新识别与脓毒症谵妄相关的关键特征和生物标志物，能为临床决策提供重要的依据。基于此，本研究旨在使用医疗信息集成重症监护第四版（Medical Information Mart for Intensive Care IV，MIMIC-Ⅳ）^［5］进行回顾性队列研究，并利用机器学习方法构建有效的预测模型。通过分析大规模真实世界数据，筛选出表现最优的预测模型，并详细解读该模型中与脓毒症谵妄密切相关的关键临床变量，为脓毒症患者的管理提供理论基础，推动脓毒症治疗的进一步发展。

1 资料与方法

1.1 数据来源

本研究为一项基于MIMIC-IV（Version 3.1）的回顾性队列研究。MIMIC-IV涵盖了2008-2019年在贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）住院患者的信息^［5］。本研究者已完成数据库合作机构提供的培训课程，并获得资格认证（证书编号：66147780），具备使用和提取相关数据的资质。

1.2 研究对象

脓毒症的诊断依据第三次国际脓毒症与脓毒症休克定义共识（Sepsis-3），即感染或疑似感染情况下，序贯器官衰竭评估评分≥2的患者^［1］。纳入标准为符合上述诊断的患者。排除标准：（1）年龄小于18岁的患者；（2）多次入住重症监护病房（ICU）的患者；（3） ICU住院时间不足0.25 h的患者。谵妄的诊断通过MIMIC-IV数据库中的含有“delirium”相关诊断代码提取。

1.3 数据提取与处理

从MIMIC-IV数据库中提取以下信息：（1）年龄和性别的人口学信息；（2）初次ICU入院类型；（3）入院24 h内的初始生命体征及实验室检测结果，生命体征包括心率、收缩压、舒张压、平均动脉压、血氧饱和度和呼吸频率，实验室检测结果涵盖白细胞计数、红细胞分布宽度、血红蛋白、血小板计数、凝血指标（如国际标准化比值、凝血酶原时间）、电解质（如氯离子、钙、钾、钠）、代谢物（如血糖、血尿素氮、肌酐）、肝功能指标（如丙氨酸氨基转移酶、碱性磷酸酶）以及血气分析（如乳酸、动脉血氧分压、血液pH值）；（4）ICU入院24 h内的序列器官衰竭评分（Sequential Organ Failure Assessment，SOFA）、急性生理评分（Acute Physiology Score Ⅲ，APS3）、简化急性生理评分（Simplified Acute Physiology Score Ⅱ，SAPS2）、牛津急性疾病严重程度评分（Oxford Acute Severity of Illness Score，OASIS）、逻辑器官功能障碍评分（Logistic Organ Dysfunction System，LODS）^［6］；（5）入院24 h内的肾替代治疗情况；（6）ICU住院时间、30 d ICU病死率、谵妄及脓毒症的诊断时间。对于连续变量，明显异常值或转换错误的数据被标记为缺失值。若缺失值比例超过20%，该变量被排除于分析之外；对于缺失值比例在20%以下的变量，采用R语言多重插补方法进行处理^［7］。

1.4 机器模型

研究运用六种机器学习模型：（1）决策树（decision tree，DT）^［8］，是一种基于树结构的分类模型，通过递归分割数据来做出决策；（2）K近邻（K-nearest neighbors，KNN）^［9］，通过计算样本之间的距离，选择最近的K个邻居进行分类；（3）LightGBM（light gradient boosting machine，LGBM）^［10］，是一种基于梯度提升框架的高效决策树算法；（4）随机森林（random forest，RF）^［11］，通过集成多棵决策树来提高模型的泛化能力；（5）支持向量机（support vector machine，SVM）^［12］，通过寻找最优超平面来分类数据；（6）XGBoost（extreme gradient boosting，XGB）^［13］，是一种高效的梯度提升算法，通过迭代优化损失函数来提高预测精度。

1.5 统计学分析

对于连续变量，若数据呈正态分布，则采用均值和标准差

表示，并使用独立样本t检验进行组间比较；若数据呈偏态分布，则采用中位数和四分位数间距（IQR）表示，并使用Wilcoxon秩和检验进行组间比较。分类变量以频数和百分比表示，组间比较采用χ ² 检验或Fisher精确概率检验。研究特征的重要性由BORUTA算法筛选，分析与30 d死亡率相关的特征。BORUTA（BORUTA Feature Selection Algorithm）^［14］是一种基于随机森林的特征选择算法，用于识别数据集中与目标变量最相关的特征。它通过比较原始特征与随机生成的 “影子特征” 的重要性，筛选出对模型预测有显著贡献的变量。BORUTA通过比较每个特征的z值与随机生成的 “阴影特征” z值，识别关键变量。在多次独立迭代中，若特定特征的z值大于阴影特征的最大z值，则认为该特征具有统计学意义。

数据集按7∶3比例拆分为训练集和验证集^［15］。使用BORUTA筛选出的关键特征，以30 d死亡为结局变量，构建多种预测模型，包括决策树、随机森林、XGBoost、KNN、SVM和LightGBM，利用训练集进行学习训练，训练后的模型利用验证集进行验证。模型性能通过受试者操作特征（receiver operater characteristic，ROC）曲线下面积（area under curve，AUC）进行评估，同时通过决策曲线分析（decision curve analysis，DCA）、F1分数、召回率、精确率、特异度、灵敏度和阳性预测值进一步比较模型表现^［16］。最终，采用SHAP解释优势模型中关键特征的贡献^［17］。本研究统计学和机器学习模型均使用R语言包^［18］进行分析，版本编号为4.4.2。

2 结果

2.1 基线特征

研究分析了921例脓毒症谵妄患者，其中765例（83.06%）存活，156例（16.94%）在30 d内死亡。死亡患者年龄较大（平均76.33岁 vs 65.94岁），住院时间较短（11 d vs 17 d）。两组的性别分布相似。死亡组的乳酸水平较高（2.20 mmol/L vs 1.70 mmol/L），血红蛋白水平较低（10.00 g/L vs 10.70 g/L），肌酐水平较高（1.50 mg/dL vs1.20 mg/dL）。死亡组的急性肾损伤更严重，疾病严重程度评分（如APS Ⅲ、LODS和SAPS Ⅱ）也高于存活组（P＜0.05）。见表1。

表1 脓毒症谵妄患者生存基线特征比较 M（P25，P75）

特征	生存（n=765）	死亡（n=156）	P
年龄/岁	65.94 [53.89，77.43]	76.33 [63.51，84.90]	<0.001
住院时间/d	17.06 [10.57，28.68]	11.00 [6.56，15.94]	<0.001
性别/n(%)			0.368
女	272 (35.56)	62 (39.74)
男	493 (64.44)	94 (60.26)
实验室检查
白细胞计数/×109/L	11.80 [7.80，17.40]	11.80 [8.20，18.80]	0.698
平均红细胞血红蛋白质量浓度/（g/L）	32.60 [31.60，33.80]	32.30 [31.00，33.50]	0.018
红细胞分布宽度/%	14.70 [13.60，16.20]	16.50 [14.67，18.75]	<0.001
红细胞计数/×1012/L	3.56 [2.95，4.15]	3.26 [2.77，3.89]	0.006
血小板计数/×109/L	187.00 [123.00，262.00]	167.50 [100.00，248.75]	0.068
平均红细胞体积/fl	93.00 [88.00，98.00]	95.00 [89.00，98.00]	0.125
平均红细胞血红蛋白量/pg	30.50 [28.90，32.20]	30.30 [28.90，32.10]	0.631
血红蛋白 /(g/L)	10.70 [8.90，12.50]	10.00 [8.20，11.60]	0.002
血细胞比容/%	32.70 [27.60，37.80]	31.20 [25.90，36.23]	0.014
国际标准化比值	1.30 [1.20，1.60]	1.60 [1.20，2.22]	<0.001
凝血酶原时间 /s	14.60 [12.90，17.40]	17.05 [13.78，24.47]	<0.001
活化部分凝血活酶时间/秒	31.60 [27.40，38.00]	35.65 [30.25，49.90]	<0.001
白蛋白/（g/dL）	3.00 [2.60，3.40]	2.90 [2.40，3.40]	0.023
氯离子/（mmol/L）	104.00 [100.00，108.00]	101.00 [97.00，106.00]	<0.001
阴离子间隙/（mmol/L）	14.00 [12.00，18.00]	16.00 [13.00，20.00]	<0.001
碳酸氢盐/（mmol/L）	22.00 [19.00，25.00]	20.00 [17.75，25.00]	0.026
钙/（mmol/L）	8.20 [7.60，8.70]	8.30 [7.70，8.80]	0.160
血尿素氮/（mg/dL）	22.00 [14.00，38.00]	37.00 [21.75，62.25]	<0.001
钾/（mmol/L）	4.10 [3.70，4.70]	4.30 [3.70，5.00]	0.057
钠/（mmol/L）	139.00 [136.00，142.00]	138.00 [133.00，141.00]	0.008
血糖/（mg/dL）	137.00 [109.00，181.00]	133.00 [103.75，179.00]	0.397
肌酐/（mg/dL）	1.20 [0.80，1.80]	1.50 [1.00，2.42]	<0.001
丙氨酸氨基转移酶/（U/L）	31.00 [18.00，71.00]	31.00 [18.00，78.50]	0.996
碱性磷酸酶/（U/L）	80.00 [58.00，115.00]	98.50 [70.75，144.25]	<0.001
天门冬氨酸氨基转移酶/（U/L）	51.00 [28.00，117.00]	52.50 [30.75，185.00]	0.130
乳酸脱氢酶/（U/L）	327.50 [250.00，416.00]	327.50 [290.50，570.25]	0.002
血气分析
乳酸/（mmol/L）	1.70 [1.20，2.70]	2.20 [1.40，3.90]	<0.001
动脉血氧分压/（mmHg）	88.00 [54.00，159.00]	62.50 [41.75，119.25]	<0.001
总二氧化碳/（mmol/L）	24.00 [21.00，27.00]	23.00 [19.00，28.00]	0.187
吸入氧分数/（%）	60.00 [50.00，80.00]	60.00 [50.00，100.00]	0.153
动脉血二氧化碳分压/（mmHg）	42.00 [36.00，49.00]	42.00 [35.00，51.00]	0.789
动脉血氧分压与吸入氧分数比/（mmHg/%）	178.45 [114.00，280.00]	178.23 [85.00，212.12]	0.001
血液pH值	7.36 [7.28，7.42]	7.34 [7.26，7.39]	0.021
生命体征
心率/（次/分）	91.00 [79.00，107.00]	92.00 [79.00，108.00]	0.732
收缩压/（mmHg）	118.00 [102.00，137.00]	113.00 [100.00，136.25]	0.171
舒张压/（mmHg）	66.00 [56.00，79.00]	63.00 [51.00，75.25]	0.023
平均动脉压/（mmHg）	81.00 [70.00，95.00]	78.00 [66.00，90.00]	0.052
血氧饱和度/（%）	98.00 [95.00，100.00]	97.00 [93.00，99.00]	0.002
呼吸频率/（次/分）	20.00 [16.00，24.00]	22.00 [18.00，27.00]	0.007
疾病评分/分
急性生理评分III/分	53.00 [40.00，69.00]	66.00 [53.75，85.25]	<0.001
逻辑器官功能障碍评/分	6.00 [4.00，8.00]	8.00 [6.75，10.00]	<0.001
牛津急性疾病严重程度/分	36.00 [31.00，42.00]	40.00 [34.00，45.25]	<0.001
系统性炎症反应综合征/分	3.00 [2.00，4.00]	3.00 [2.00，4.00]	0.913
序贯器官衰竭评分/分	2.00 [0.00，4.00]	2.00 [1.00，4.25]	0.156
简化急性生理评分II/分	42.00 [33.00，52.00]	53.00 [43.00，62.25]	<0.001

2.2 特征纳入

基于Boruta算法的特征筛选结果，与30 d死亡最密切相关的11个变量按Z值排序依次为：年龄、急性肾损伤分期（AKI_stage）、肌酐、乳酸、急性生理评分III（APSIII）、逻辑器官功能障碍评分（LODS）、牛津急性疾病严重程度评分（OASIS）、简化急性生理评分II（SAPSII）、血尿素氮（BUN）、血红蛋白和国际标准化比值（INR）。以上特征Z值显著高于影子特征的最大Z值，对结局显著影响，用绿色标注。见图1。

图 1 基本 boruta 分析的特征选择

2.3 模型预测

将数据按照7∶3分为训练集及验证集，将BORUTA算法筛选出11个重要特征（图1中显示为绿色的特征）进行6种机器学习分析。在训练集中，随机森林（RF）和K近邻算法（KNN）模型表现最佳，其AUC均达到了1.000，表现出极高的预测能力。XGBoost（XGB）模型次之，AUC为0.906（95%CI：0.877~0.936），而LightGBM（LGBM）的AUC为0.884（95%CI：0.851~0.917）。支持向量机（SVM）和决策树（DT）模型的预测能力相对较弱，AUC分别为0.763（95%CI：0.712~0.815）和0.734（95%CI：0.678~0.790）。见图2。

图 2 训练集各模型 AUC 曲线

在验证集中，各模型的预测性能有所下降。随机森林（RF）模型的AUC为0.744（95%CI：0.674~0.814），仍优于其他模型。XGBoost（XGB）模型的AUC为0.762（95%CI：0.693~0.831），而LightGBM（LGBM）的AUC为0.699（95%CI：0.618~0.780）。支持向量机（SVM）模型的AUC为0.751（95%CI：0.678~0.824），K近邻（KNN）模型的AUC为0.656（95%CI：0.581~0.731），决策树（DT）模型的AUC最低，仅为0.640（95%CI：0.557~0.723）。见图3。

图 3 验证集各模型 AUC 曲线

通过DCA评估了多种机器学习模型在验证试集上的临床实用性。结果显示，LGBM和XGB在大部分阈值范围内（尤其是0.1~0.6）表现出最高的净收益，显著优于 “TreatALL” 和 “TreatNone” 策略，表明其在临床决策中具有较高的应用价值。相比之下，DT和SVM的净收益较低，临床实用性有限。LGBM和XGB是验证集上最优的模型，适合用于支持临床决策，尤其是在低至中等阈值范围内。见图4。

图 4 验证集各模型决策曲线分析

从混淆矩阵中提取的多种评价指标进一步验证了各模型的性能差异。在训练集中，随机森林和K近邻模型在灵敏度、特异度、阳性预测值和阴性预测值等指标上均表现突出，几乎接近完美。具体而言，随机森林模型的灵敏度达到1.00，特异度为1.00，阳性预测值和阴性预测值也均为1.00，显示出其在训练集上的卓越表现。K近邻模型的表现同样优异，上述四个指标也均为1，表明其在训练集上能够有效识别正负样本。见图5。

图 5 训练集各模型表现

然而，在验证集中，这些模型的性能下降明显，尤其是K近邻模型在灵敏度方面表现较差，仅为0.19，表明其在验证集上识别正例的能力显著减弱。随机森林模型在验证集中的灵敏度也下降至0.21，特异度为0.97，阳性预测值和阴性预测值分别为0.61和0.84，显示出其在验证集上的表现远不及训练集。相比之下，XGBoost和随机森林模型在验证集中表现出更好的平衡性。XGBoost模型的F1值为0.43，灵敏度为0.57，特异度为0.75，阳性预测值和阴性预测值分别为0.35和0.88，表明其在验证集上具有较好的综合性能。见图6。

图 6 验证集各模型表现

在本研究中，XGBoost模型被用于预测脓毒症谵妄患者的30 d死亡，其性能通过训练集和验证集的AUC值进行了评估。XGBoost模型在训练集上的AUC为0.906（95%CI：0.877~0.934），在验证集上的AUC为0.762（95%CI：0.693~0.831），但在验证集上表现出一定程度的性能下降。见图7。

图 7 XGBoost 训练集与验证集 AUC 曲线对比

此外，变量重要性分析显示，XGBoost模型在预测过程中对多个变量的依赖程度不尽相同。其中，入院年龄（admission_age）为最重要的预测变量，其重要性得分显著高于其他变量，红细胞分布宽度和白细胞计数也是重要的预测因子，分别排名第二和第三。其他重要变量为乳酸脱氢酶、氧分压以及SAPS II评分、APS II评分、APACHE III评分、LODS评分和OASIS评分，凝血指标PT及INR。见图8。

图 8 XGBoost 模型中各个变量的重要性

3 讨论

XGBoost模型在预测脓毒症谵妄患者30 d死亡方面表现较优，训练集的AUC达到0.906，验证集为0.762。虽然预测性能在验证集上有所下降，但总体上表现出良好的预测能力^［12］。这说明，基于大规模临床数据的机器学习模型，能够有效整合多种患者特征并提高预后预测的精确性。此外，研究通过Boruta算法筛选出与死亡率密切相关的变量，如入院年龄、急性肾损伤分期、乳酸水平和血红蛋白等。这些变量的选择不仅在统计学上具有意义，同时也符合脓毒症的病理生理机制^［19］如，乳酸水平升高通常反映了组织灌注不足或代谢紊乱，与脓毒症患者的高死亡率密切相关^［20］；而血红蛋白水平低下可能提示贫血和氧输送能力受损，从而进一步加重器官功能衰竭。值得注意的是，年龄被识别为最重要的预测变量，表明老年脓毒症患者的死亡风险显著升高^［21］。这与既往研究一致，提示老年患者的脓毒症管理需要更为个性化的干预措施。综合评分系统（如SAPS II和LODS）的重要性也再次得到验证，显示这些评分在多因素综合评价中仍然具有较高的临床价值^［6］。

与以往倾向于脓毒性相关性脑病且排除标准严格的外国研究相比，本研究采用了更贴近临床实际的纳入和排除标准，涵盖了更广泛的患者群体，增强了研究结果的普适性^［22］。尽管模型结果与既往研究相似，但由于纳入标准的差异，本研究识别出不同的关键预测特征，如年龄、RDW和WBC，这些特征在临床实践中更具代表性。研究结果表明，更广泛的纳入标准不仅提高了模型的稳健性，还使其更符合临床实际需求，为脓毒症患者的风险分层和预后管理提供了更具实用价值的工具。

尽管XGBoost模型在本研究中表现良好，但其预测性能在验证集上的下降提示模型可能存在过拟合问题^［12］。这一现象可能与以下因素有关：一方面，训练集中样本的数量和质量可能较验证集高；另一方面，机器学习模型对变量之间复杂交互的捕捉可能在外部验证中受到限制。因此，未来研究应进一步优化模型的泛化能力，例如通过使用更多样化的数据集或外部验证数据集以提高模型的鲁棒性^［15］。本研究为单中心回顾性研究，尽管数据量较大，但结果的普适性可能受到限制，尤其不是国人数据。不同地区和医疗机构的患者特征和治疗方案可能存在差异，需要多中心数据进行验证^［23］。此外，缺失值处理方法和变量的标准化可能对结果产生偏倚。因此，未来研究可考虑采用更为精细的特征工程方法，更新颖的检查，临床试验及数据库联合研究，以进一步提高模型的预测能力^［24］。

随着人工智能技术在医疗领域的普及，本研究考虑将机器学习技术整合至重症监护信息系统提供了案例支持。未来可探索将此类预测模型嵌入临床工作流程，以实时分析患者数据并提供预测结果，从而辅助临床决策。

本研究通过分析大规模临床数据，成功构建了脓毒症谵妄患者30 d死亡率的预测模型，并识别出一系列关键的预测因子。研究结果为脓毒症患者出现谵妄的风险评估提供了重要依据。通过进一步优化模型性能并扩展其应用范围，本研究结果有望在提高脓毒症患者早期干预及预后管理方面发挥重要作用。

1、SINGER%E2%80%83M%EF%BC%8CDEUTSCHMAN%E2%80%83C%E2%80%83S%EF%BC%8CSEYMOUR%E2%80%83C%E2%80%83W%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EThe%E2%80%83third%E2%80%83international%E2%80%83consensus%E2%80%83definitions%E2%80%83for%E2%80%83%0Asepsis%E2%80%83and%E2%80%83septic%E2%80%83shock%EF%BC%88Sepsis-3%EF%BC%89%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJAMA%EF%BC%8C%0A2016%EF%BC%8C315%EF%BC%888%EF%BC%89%EF%BC%9A801-810%EF%BC%8E

2、杨思敏，卞兴航，邓开基，等．脓毒症患者谵妄发生风险预测模型构建［J］．中华急诊医学杂志， 2024，33（6）：784-791．

3、GIRARD%E2%80%83T%E2%80%83D%EF%BC%8CJACKSON%E2%80%83J%E2%80%83C%EF%BC%8CPANDHARIPANDE%E2%80%83P%E2%80%83%0AP%EF%BC%8Cet%E2%80%83al%EF%BC%8EDelirium%E2%80%83as%E2%80%83a%E2%80%83predictor%E2%80%83of%E2%80%83long-term%E2%80%83cognitive%E2%80%83%0Aimpairment%E2%80%83in%E2%80%83survivors%E2%80%83of%E2%80%83critical%E2%80%83illness%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECrit%E2%80%83Care%E2%80%83%0AMed%EF%BC%8C2010%EF%BC%8C38%EF%BC%887%EF%BC%89%EF%BC%9A1513-1520%EF%BC%8E

4、柏晓奇，顾琼，许俊，等．脓毒症相关谵妄患者预后预测模型构建及验证［J］．中华急诊医学杂志，2024，33（5）：651-657．

5、JOHNSON%E2%80%83A%E2%80%83E%E2%80%83W%EF%BC%8CBULGARELLI%E2%80%83L%EF%BC%8CPOLLARD%E2%80%83T%E2%80%83%0AJ%EF%BC%8Cet%E2%80%83al%EF%BC%8EMIMIC-IV%EF%BC%8Ca%E2%80%83freely%E2%80%83accessible%E2%80%83electronic%E2%80%83%0Ahealth%E2%80%83record%E2%80%83dataset%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESci%E2%80%83Data%EF%BC%8C2021%EF%BC%8C8%0A%EF%BC%881%EF%BC%89%EF%BC%9A1-18%EF%BC%8E

6、胡畅，胡波，李志峰，等．四种评分系统对脓毒症患者ICU死亡风险的预测价值比较［J］．南方医科大学学报，2020，40（4）：513-518．

7、梁霞．缺失数据的多重插补及其改进［D］．长沙：中南大学，2007．

8、GORDON%E2%80%83A%E2%80%83D%EF%BC%8CBREIMAN%E2%80%83L%EF%BC%8CFRIEDMAN%E2%80%83J%E2%80%83H%EF%BC%8C%0Aet%E2%80%83al%EF%BC%8EClassification%E2%80%83and%E2%80%83regression%E2%80%83trees%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ABiometrics%EF%BC%8C1984%EF%BC%8C40%EF%BC%883%EF%BC%89%EF%BC%9A874%EF%BC%8E

9、COVER%E2%80%83T%EF%BC%8CHART%E2%80%83P%EF%BC%8ENearest%E2%80%83%20neighbor%E2%80%83%20pattern%E2%80%83%0Aclassification%EF%BC%BBJ%EF%BC%BD%EF%BC%8EIEEE%E2%80%83Trans%E2%80%83Inf%E2%80%83Theory%EF%BC%8C1967%EF%BC%8C%0A13%EF%BC%881%EF%BC%89%EF%BC%9A21-27%EF%BC%8E

10、ZHANG%E2%80%83J%EF%BC%8CMUCS%E2%80%83D%EF%BC%8CNORINDER%E2%80%83U%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ALightGBM%EF%BC%9AAn%E2%80%83effective%E2%80%83and%E2%80%83%20scalable%E2%80%83algorithm%E2%80%83for%E2%80%83%0Aprediction%E2%80%83of%E2%80%83chemical%E2%80%83toxicity%E2%80%94Application%E2%80%83to%E2%80%83the%E2%80%83%0ATox21%E2%80%83and%E2%80%83Mutagenicity%E2%80%83data%E2%80%83sets%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Chem%E2%80%83%20Inf%E2%80%83%0AModel%EF%BC%8C2019%EF%BC%8C59%EF%BC%8810%EF%BC%89%EF%BC%9A4150-4158%EF%BC%8E

11、BREIMAN%E2%80%83L%EF%BC%8ERandom%E2%80%83forests%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMach%E2%80%83Learn%EF%BC%8C%0A2024%EF%BC%8845%EF%BC%89%EF%BC%9A5-32%EF%BC%8E

12、CORTES%E2%80%83C%EF%BC%8CVAPNIK%E2%80%83V%EF%BC%8ESupport-vector%E2%80%83networks%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMach%E2%80%83Learn%EF%BC%8C1995%EF%BC%8C20%EF%BC%883%EF%BC%89%EF%BC%9A273-297%EF%BC%8E

13、%E2%80%83%20LI%E2%80%83B%EF%BC%8CEISENBERG%E2%80%83N%EF%BC%8CBEATON%E2%80%83D%EF%BC%8Cet%E2%80%83al%EF%BC%8EUsing%E2%80%83%0Amachine%E2%80%83learning%EF%BC%88XGBoost%EF%BC%89to%E2%80%83predict%E2%80%83outcomes%E2%80%83after%E2%80%83%0Ainfrainguinal%E2%80%83bypass%E2%80%83for%E2%80%83peripheral%E2%80%83artery%E2%80%83disease%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AAnn%E2%80%83Surg%EF%BC%8C2024%EF%BC%8C279%EF%BC%884%EF%BC%89%EF%BC%9A705-713%EF%BC%8E%E2%80%83

14、%E2%80%83%20KURSA%E2%80%83M%E2%80%83B%EF%BC%8CRUDNICKI%E2%80%83W%E2%80%83R%EF%BC%8EFeature%E2%80%83%20selection%E2%80%83%0Awith%E2%80%83the%E2%80%83Boruta%E2%80%83package%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Stat%E2%80%83Soft%EF%BC%8C2010%EF%BC%8C36%0A%EF%BC%8811%EF%BC%89%EF%BC%9A1-13%EF%BC%8E

15、HASTIE%E2%80%83T%EF%BC%8CTIBSHIRANI%E2%80%83R%EF%BC%8CFRIEDMAN%E2%80%83J%EF%BC%8E%0AThe%E2%80%83elements%E2%80%83of%E2%80%83statistical%E2%80%83learning%EF%BC%9AData%E2%80%83mining%EF%BC%8C%0Ainference%EF%BC%8Cand%E2%80%83prediction%EF%BC%BBM%EF%BC%BD%EF%BC%8E2nd%E2%80%83ed%EF%BC%8ENew%E2%80%83%0AYork%EF%BC%9ASpringer%EF%BC%8C2009%EF%BC%8E

16、FAWCETT%E2%80%83T%EF%BC%8EAn%E2%80%83introduction%E2%80%83to%E2%80%83ROC%E2%80%83analysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0APattern%E2%80%83Recognit%E2%80%83Lett%EF%BC%8C2006%EF%BC%8C27%EF%BC%888%EF%BC%89%EF%BC%9A861-874%EF%BC%8E

17、%E2%80%83%20LUNDBERG%E2%80%83S%E2%80%83M%EF%BC%8CERION%E2%80%83G%EF%BC%8CCHEN%E2%80%83H%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AFrom%E2%80%83local%E2%80%83explanations%E2%80%83to%E2%80%83global%E2%80%83understanding%E2%80%83with%E2%80%83%0Aexplainable%E2%80%83AI%E2%80%83for%E2%80%83trees%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENat%E2%80%83Mach%E2%80%83Intell%EF%BC%8C%0A2020%EF%BC%8C2%EF%BC%881%EF%BC%89%EF%BC%9A56-67%EF%BC%8E

18、WICKHAM%E2%80%83H%EF%BC%8CGROLEMUND%E2%80%83G%EF%BC%8ER%E2%80%83%20fo%20r%E2%80%83%20Data%E2%80%83%0AScience%EF%BC%9AImport%EF%BC%8CTidy%EF%BC%8CTransform%EF%BC%8CVisualize%EF%BC%8Cand%E2%80%83%0AModel%E2%80%83Data%EF%BC%BBM%EF%BC%BD%EF%BC%8ESebastopol%EF%BC%9AO%E2%80%99Reilly%E2%80%83Media%EF%BC%8C%0A2017%EF%BC%8E

19、%E2%80%83%20HOTCHKISS%E2%80%83R%E2%80%83S%EF%BC%8CKARL%E2%80%83I%E2%80%83E%EF%BC%8EThe%E2%80%83pathophysiology%E2%80%83%0Aand%E2%80%83treatment%E2%80%83of%E2%80%83sepsis%EF%BC%BBJ%EF%BC%BD%EF%BC%8EN%E2%80%83Engl%E2%80%83J%E2%80%83Med%EF%BC%8C2003%EF%BC%8C%0A348%EF%BC%882%EF%BC%89%EF%BC%9A138-150%EF%BC%8E

20、MIKKELSEN%E2%80%83M%E2%80%83E%EF%BC%8CMILTIADES%E2%80%83A%E2%80%83N%EF%BC%8CGAIESKI%E2%80%83D%E2%80%83%0AF%EF%BC%8Cet%E2%80%83al%EF%BC%8ESerum%E2%80%83lactate%E2%80%83is%E2%80%83associated%E2%80%83with%E2%80%83mortality%E2%80%83in%E2%80%83%0Asevere%E2%80%83sepsis%E2%80%83independent%E2%80%83of%E2%80%83organ%E2%80%83failure%E2%80%83and%E2%80%83shock%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECrit%E2%80%83Care%E2%80%83Med%EF%BC%8C37%EF%BC%885%EF%BC%89%EF%BC%9A1670-1677%EF%BC%8E

21、%E2%80%83%20MARTIN%E2%80%83G%E2%80%83S%EF%BC%8CMANNINO%E2%80%83D%E2%80%83M%EF%BC%8CMOSS%E2%80%83M%EF%BC%8EThe%E2%80%83effect%E2%80%83%0Aof%E2%80%83age%E2%80%83on%E2%80%83the%E2%80%83development%E2%80%83and%E2%80%83outcome%E2%80%83of%E2%80%83adult%E2%80%83sepsis%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECrit%E2%80%83Care%E2%80%83Med%EF%BC%8C2006%EF%BC%8C34%EF%BC%881%EF%BC%89%EF%BC%9A15-21%EF%BC%8E

22、ZHANG%E2%80%83L%EF%BC%8CLI%E2%80%83X%EF%BC%8CHUANG%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8EPredictive%20model%E2%80%83of%E2%80%83%20risk%E2%80%83factors%E2%80%83for%E2%80%8328-day%E2%80%83mortality%E2%80%83in%E2%80%83patients%E2%80%83%0Awith%E2%80%83%20sepsis%E2%80%83%20or%E2%80%83%20sepsis-associated%E2%80%83%20delirium%E2%80%83%20based%E2%80%83%20on%E2%80%83%0Athe%E2%80%83MIMIC-IV%E2%80%83database%EF%BC%BBJ%EF%BC%BD%EF%BC%8ESci%E2%80%83Rep%EF%BC%8C2024%EF%BC%8C14%0A%EF%BC%881%EF%BC%89%EF%BC%9A18751%EF%BC%8E

23、STEYERBERG%E2%80%83E%E2%80%83W%EF%BC%8CVICKERS%E2%80%83A%E2%80%83J%EF%BC%8CCOOK%E2%80%83N%E2%80%83R%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EAssessing%E2%80%83the%E2%80%83performance%E2%80%83of%E2%80%83prediction%E2%80%83models%EF%BC%9AA%E2%80%83framework%E2%80%83for%E2%80%83traditional%E2%80%83and%E2%80%83novel%E2%80%83measures%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AEpidemiology%EF%BC%8C2010%EF%BC%8C21%EF%BC%881%EF%BC%89%EF%BC%9A128-138%EF%BC%8E

24、COLLINS%E2%80%83F%E2%80%83S%EF%BC%8CVARMUS%E2%80%83H%EF%BC%8EA%E2%80%83%20new%E2%80%83initiative%E2%80%83%20on%E2%80%83%0Aprecision%E2%80%83medicine%EF%BC%BBJ%EF%BC%BD%EF%BC%8EN%E2%80%83Engl%E2%80%83J%E2%80%83Med%EF%BC%8C2015%EF%BC%8C372%0A%EF%BC%889%EF%BC%89%EF%BC%9A793-795%EF%BC%8E