杀疯了！中国学者联合8种机器学习法＋MIMIC多数据集，发文一区top（IF=8.8）

主要观点总结

中国学者利用机器学习算法构建可解释性临床预测模型，以识别危重患者的新发房颤风险。研究使用MIMIC数据库的两个非重叠数据集，通过Lasso法筛选特征，使用8种机器学习算法构建预测模型，并通过SHAP法进行模型可解释性分析。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。

关键观点总结

关键观点1: 背景

机器学习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不少成果。本研究旨在使用机器学习（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。

关键观点2: 研究方法

研究团队使用MIMIC数据库的两个非重叠数据集，采用Lasso法进行特征筛选，使用8种机器学习算法构建预测模型。通过10重交叉验证法保证模型的稳定性，并使用多种指标评估模型性能。

关键观点3: 结果

研究结果表明，XGBoost算法表现出最好的性能，在验证和外部验证中达到较高的AUC值。SHAP法分析表明，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。

关键观点4: 课程信息

基于R语言的机器学习构建临床预测模型课程现已推出。课程包括面对面线上授课、实时交流，适合零基础学习者。更多信息可关注“公共数据库与孟德尔随机化”公众号。